Carlos Augusto Uchôa da Silva

UM MÉTODO PARA ESTIMAR

OBSERVÁVEIS GPS USANDO
REDES NEURAIS ARTIFICIAIS

Tese apresentada à Escola de Engenharia

de São Carlos da Universidade de São
Paulo, como parte dos requisitos para
obtenção do título de Doutor em
Engenharia Civil: Transportes.

Orientador: Prof. Associado Paulo Cesar Lima Segantine

São Carlos
2003
 DEDICATÓRIA

À minha esposa Kátia Cynara e

meus filhos Rayra, Rahym e
Raimi, meus maiores presentes.
 AGRADECIMENTOS

A Deus pela esperança, pelos dons, pelo existir.

A Kátia, a mulher que amo, por seu amor, por se tornar pai e mãe de
nossos filhos em meus intermináveis devaneios pelo mundo acadêmico. A Maina
por sua dedicação e carinho.

A Aristides, meu pai, por seu apoio. Seu caráter, inteligência e

criatividade sempre me inspiraram. A Helena, minha mãe, por seu amor. Sua
emoção, por vezes inocente, mesmo à distância, sempre me afagaram.

Ao clã dos Uchôas, Conce, Beth e Humberto pela torcida, pela saudade e
pelo carinho. A Rita, que com sua amizade, generosidade e desapego, tornou
possível mais esse passo.

Aos meus cunhados. Os dois, cada um ao seu tempo, cada um de seu jeito,
foram importantes. Antônio no início, na saída de Belém e a César por sua ajuda
providencial em nosso regresso.

Ao amigos do forninho. Genival, Tule, Maurício e Rodrigo são os irmãos

que escolhi em São Carlos, considerem o “Meio-inteiros” meu agradecimento
especial a cada um e a todos os amigos nele citados.

A Rodrigo, em especial por sua essencial ajuda ao desenvolvimento desse

projeto, seu talento e doação fizeram dele o autor de diversas das
implementações computacionais utilizadas nesta pesquisa.
 A meu orientador, Prof. Associado Paulo César Lima Segantine, por suas
correções e sugestões para este trabalho.

A Kátia Duarte, do Departamento de geodésia do IBGE pelo fornecimento

dos dados da RBMC.

A Profa. Roseli Romero, por sua ajuda na condução da escolha da

modelagem neural.

Aos amigos do CEFET-Pa, pela torcida, pela força, um agradecimento

especial aos amigos Expedito, Sérgio e Luis Carlos.

Finalmente, a toda minha família, em especial a Rita Barbosa, minha

avó, ela se foi em 1994. Acho que herdei dela o seu melhor. Sua perseverança e
altivez sempre encontraram eco em mim e definitivamente me impulsionaram a
chegar até aqui, sinto saudades.
 SUMÁRIO

LISTA DE FIGURAS .......................................................................................... i

LISTA DE TABELAS........................................................................................ iv
LISTA DE SIGLAS .............................................................................................v
RESUMO .......................................................................................................... vii
ABSTRACT ..................................................................................................... viii
1 INTRODUÇÃO ........................................................................................... 1
1.1. Objetivos ...................................................................................................... 4
1.2. Justificativas ............................................................................................... 4
2 O ESTADO DA ARTE ................................................................................ 6
3 O SISTEMA DE POSICIONAMENTO GLOBAL NAVSTAR/GPS ..... 9
3.1. O Sinal GPS ...............................................................................................10
3.2 As observáveis GPS ....................................................................................12
3.2.1. Pseudodistância ......................................................................................13
3.2.2 Fase da portadora ....................................................................................14
3.3 O Processamento de dados GPS .................................................................17
3.3.1 Posicionamento Pontual Preciso (PPP) ...................................................18
3.3.1.1 O Auto-GIPSY (AG) .............................................................................20
3.4 O formato RINEX........................................................................................22
4 REDES NEURAIS ARTIFICIAIS (RNAs) .............................................24
4.1 Inspiração Biológica ....................................................................................25
4.2 Neurônio Artificial ......................................................................................27
4.3 Topologia ótima. ..........................................................................................28
4.4 Características e propriedades úteis das RNAs.........................................29
4.5 Os Modelos Neurais. ...................................................................................30
4.5.1 O Modelo Perceptron Multi Camadas (Multilayer Perceptrons ou
MLP). ...........................................................................................................31
4.5.2 O algoritmo backpropagation ..................................................................33
4.5.2.1 Algoritmo de treinamento rápido .........................................................35
5 MATERIAIS E MÉTODOS ......................................................................37
5.1 Materiais. ....................................................................................................37
5.1.1 Critérios adotados para escolha dos dados e desenvolvimento do
método proposto ...........................................................................................46
5.2 Metodologia .................................................................................................48
5.2.1 Etapas realizadas nesta investigação .....................................................49
5.2.2 Procedimentos adotados ..........................................................................50
5.2.2.1 Formação dos conjuntos de dados para treinamento, validação e
testes do modelo neural. ..............................................................................51
5.2.3 Estratégias de Processamento .................................................................52
5.2.3.1 Árvore de testes para definição da topologia adequada à melhor
generalização da rede neural ......................................................................53
5.2.3.2 Processamentos dos dados GPS............................................................56
5.3 O Programa MORE-GPS versão 1.0 – Manipulação e Modelagem de
Observáveis GPS por Redes Neurais Artificiais ........................................57
6 APRESENTAÇÃO DOS RESULTADOS ...............................................65
6.1 A topologia escolhida ..................................................................................65
6.2 O tempo de observação ...............................................................................70
6.3 Características do agrupamento das estações RBMC mais adequado ao
modelamento neural dos dados ...................................................................74
6.4 Testes do método para diferentes conjuntos de dados ...............................76
6.5 Validação do método ...................................................................................79
6.5.1 Dados para validação ...............................................................................80
6.5.1.1 Processamento por ponto simples (single point) ..................................80
6.5.1.2 Processamento relativo estático ...........................................................85
6.5.1.3 Processamento Posicionamento Pontual Preciso (PPP) ......................98
7 CONCLUSÕES E RECOMENDAÇÕES ..............................................101
7.1 Quanto à modelagem neural ....................................................................101
7.2 Quanto ao sistema MORE-GPS................................................................102
7.2.1 Limitações do método proposto .............................................................103
7.3 Quanto ao processamento GPS ................................................................104
7.3.1 O processamento pontual ......................................................................104
7.3.2 O processamento relativo ......................................................................105
8 REFERÊNCIAS BIBLIOGRÁFICAS ...................................................108
 i

LISTA DE FIGURAS

Figura 1 – Modulação Bifásica da onda portadora. ................................... 11

Figura 2 – Interpretação geométrica da fase da portadora.. ..................... 17
Figura 3 – Localização das estações que compõe a rede do IGS. ............... 19
Figura 4 – Representação resumida do processamento pelo AG. .............. 22
Figura 5 – Representação genérica de um neurônio biológico e processo
de transmissão sináptica........................................................ 25
Figura 6 – Modelo não linear de neurônio artificial .................................. 27
Figura 7 – Fac-símile de trecho de um arquivo RINEX de observação da
estação BOMJ-RBMC. ........................................................... 38
Figura 8 – Fac-símile de trecho de um arquivo de efemérides precisas,
formato SP3, correspondente ao dia 339 do ano 2001. ......... 40
Figura 9 – Localização das estações RBMC ............................................... 42
Figura 10 – Freqüência de observações/estação/ano. ................................. 44
Figura 11 – N° de estações operando simultaneamente em 2000 ............. 45
Figura 12 – N° de estações RBMC operando simultaneamente em 2001. 45
Figura 13 – N° de estações RBMC operando simultaneamente em 2002. 46
Figura 14 – Representação gráfica do número Sunspot do Ciclo Solar
23. ............................................................................................ 48
Figura 15 – Tela de inicialização do programa MORE-GPS ..................... 59
Figura 16 – Tela principal do programa MORE-GPS ................................ 59
Figura 17 – Fluxograma descritivo do programa MORE-GPS .................. 64
Figura 18 – Desempenho rede 1:6:1 para 5 minutos de observação ......... 68
 ii

Figura 19 – Desempenho rede 1:10:1 para 5 minutos de observação ....... 68

Figura 20 – Desempenho alcançado pela estimativas de duas horas de
observação............................................................................... 73
Figura 21 – Agrupamento regional das estações RBMC ........................... 75
Figura 22 – Desempenho do treinamento para 5 minutos com
agrupamento regional de estações RBMC ............................. 76
Figura 23 – Desempenho do treinamento para 5 minutos no dia
17/05/2000 (Dia GPS 138) ...................................................... 77
Figura 24 – Desempenho do treinamento para 5 minutos no dia
29/01/2002 (Dia GPS 29) ........................................................ 78
Figura 25 – Desempenho do treinamento para 5 minutos no dia
08/03/2002 (Dia GPS 67) ........................................................ 78
Figura 26 – Desvios para a estação VICO .................................................. 82
Figura 27 – Desvios para a estação UEPP ................................................. 83
Figura 28 – Desvios para a estação RIOD .................................................. 85
Figura 29 – Estações para o processamento I ............................................ 86
Figura 30 – Desvios linha base BOMJ-VICO ............................................. 88
Figura 31 – Desvios linha base BRAZ-VICO ............................................. 88
Figura 32 – Desvios linha base UEPP-VICO ............................................. 89
Figura 33 – Desvios linha base RIOD-VICO .............................................. 89
Figura 34 – Estações para o processamento II........................................... 90
Figura 35 – Desvios linha base BRAZ-UEPP............................................. 92
Figura 36 – Desvios linha base CUIB-UEPP ............................................. 93
Figura 37 – Desvios linha base RIOD-UEPP ............................................. 93
Figura 38 – Desvios linha base VICO-UEPP ............................................. 93
Figura 39 – Desvios linha base PARA-UEPP ............................................ 94
Figura 40 – Estações envolvidas no processamento III ............................. 95
Figura 41 – Desvios da linha base IMPZ-RIOD ......................................... 97
Figura 42 – Desvios da linha base BRAZ_RIOD ........................................ 97
Figura 43 – Desvios da linha base VICO-RIOD ......................................... 97
Figura 44 – Desvios da linha base UEPP-RIOD ........................................ 98
 iii

Figura 45 – Desvios da linha base PARA-RIOD ........................................ 98

 iv

LISTA DE TABELAS

Tabela 1 – Resumo de alguns componentes dos sinais dos satélites. ........ 10

Tabela 2- Descrição resumida do Algoritmo de aprendizado
backpropagation padrão. ........................................................ 34
Tabela 3 – Informações das estações RBMC em maio 2003. ..................... 43
Tabela 4 – Resumo dos dados escolhidos para modelagem. ...................... 47
Tabela 5 – Comparativo entre diferentes topologias testadas para fase. . 69
Tabela 6 – Comparativo entre diferentes topologias testadas para
código. ..................................................................................... 70
Tabela 7 – Desvios para o posicionamento pontual I ................................. 82
Tabela 8 – Desvios para o posicionamento pontual II ............................... 83
Tabela 9 – Desvio para o posicionamento pontual III................................ 84
Tabela 10 – Coordenadas oficiais das estações utilizadas no
processamento I ...................................................................... 87
Tabela 11 – Desvios do processamento I .................................................... 87
Tabela 12 - Coordenadas oficiais das estações utilizadas no
processamento II .................................................................... 91
Tabela 13 – Desvios do processamento II ................................................... 91
Tabela 14 - Coordenadas oficiais das estações utilizadas no
processamento III ................................................................... 95
Tabela 15 – Desvios do processamento III ................................................. 96
Tabela 16 –Coordenadas geodésicas ITRF2000 das estações VICO,
UEPP e RIOD (PPP)............................................................... 99
 v

LISTA SIGLAS

ASCII American Standard Code for information Interchange

AG Auto Gipsy
C/A Coarse/Acquisition code
DEGED Departamento de Geodésia
DOY Day Of the Year ( 0-365)
ESSC-USP
Escola d Escola de Engenharia de São Carlos-Universidade de São
Paulo
FIR Filter Inpulse Response
FLINN Fiducial Laboratories for International National Science
Network
ftp File Transfer Protocol
GIPSY GPS Inferred Positioning System
GLONASS Global Navigation Satellite System
GNSS Global Navigation Satellite Systems
GPS Global Positioning System
IBGE Instituto Brasileiro de Geografia e Estatística
IGS International GPS Service for Geodynamics
ITRF International Terrestial Reference Frame
JPL Jet Propulsion Laboratory
MLP Multi-Layer Perceptron
MSE Mean of Squared Error
N Ambiguidade
 vi

NASA National Aeronautics and Space Administration

NGS National Geodetic Survey, USA
NAVSTAR Navigation System using Time And Ranging
NOAA National Oceanic & Atmospheric Administration
OASIS Orbit Analysis and Simulatio Software
P Precise code (Código preciso)
PPP Precise Point Positioning
PRN Pseudo Randon Noise
RBMC Rede Brasileira de Monitoramento Contínuo
RINEX Receiver Independent Exchange Format
RNAs Redes Neurais Artificiais
RMS Root Mean Square
SA Selective Availability
SAD69 South American Datum 1969
SGB Sistema Geodésico Brasileiro
SIVAM Sistema de Vigilância da Amazônia
SNNS Stuttgart Neural Network Simulator
SOM Self Organizing Map
SPS Standard Position Service
SP3 Formato de efemérides usado pelo NGS
SVN Space Vehicle Number
TEC Total Electron Content
URL Uniform Resource Locator
WGS84 World Geodetic System 1984
WWW World Wide Web
 vii

RESUMO
SILVA, C. A. U. UM MÉTODO PARA ESTIMAR OBSERVÁVEIS GPS
USANDO REDES NEURAIS ARTIFICIAIS. São Carlos, 2003, 112 p. Tese
– Escola de Engenharia de São Carlos, Universidade de São Paulo.

O NAVSTAR-GPS, com uma grande variedade de conjuntos receptores e

sua aplicabilidade prática em diversas áreas, transformou-se no mais difundido
dos sistemas de posicionamento. Porém, necessidades cada vez maiores em
termos de precisão trouxeram consigo o ônus de um custo elevado com a
aquisição de equipamentos de dupla freqüência. Este trabalho consiste no
desenvolvimento de um método que possibilite a modelagem das observáveis
GPS, através de Redes Neurais Artificiais, bem como a agregação destes dados a
um arquivo gerado por um receptor de uma freqüência, conferindo-lhe
características específicas de arquivos gerados por receptores de dupla
freqüência e código P. Isto possibilita que dados gerados por receptores de uma
freqüência, a imensa maioria dos receptores utilizados no Brasil, possam ser
processados como vetores de bases longas. Os resultados obtidos indicam que o
uso de modelos neurais, treinados por algoritmos de aprendizado
supervisionado, são uma alternativa promissora para estimar dados GPS.

Palavras-chave: GPS; Redes Neurais Artificiais, Modelagem, portadora L2,

código P.
 viii

ABSTRACT

SILVA, C. A. U. A METHOD TO ESTIMATE GPS DATA OBSERVABLES

USING ARTIFICIAL NEURAL NETWORKS. São Carlos, 2003. 112 p. Thesis
- School of Engineering of São Carlos, University of São Paulo.

The NAVSTAR-GPS, with a great variety of receivers and its practical

aplicabillity in several areas, transformed itself in the most known positioning
system. But the necessity of improving the results precision brings with it a cost
increasing caused by the use of equipments of dual frequency equipments. This
work consist on the development of a method that makes possible the GPS data
modelling using Neural Networks, as well as the aggregation of these data into
a file generated by single frequency receiver, providing to the system specific
characteristics of files generated by double frequency an P code receiver. This
makes possible that data generated by receivers of single frequency, the
majority of receivers in Brazil, can be processed as vectors of long bases. The
results obtained indicate that the use of Neural Network models, with
algorithms of supervised learning are a promissing alternative to estimate GPS
data.

Keywords: GPS; Artificial Neural Networks, Modelling, L2 Carrier, P code.

 1

1
INTRODUÇÃO

O NAVSTAR/GPS, do inglês Navigation System using Time and

Ranging/Global Positioning System, é um sistema de posicionamento global,
fundamentado em rádio-navegação por satélites, que utiliza diferentes
observáveis para calcular distâncias entre os centros de fase das antenas dos
satélites e de receptores localizados na superfície da terra ou próximo dela, com
o objetivo de determinar a posição tridimensional dos pontos de interesse. Neste
trabalho, o sistema será tratado apenas por GPS.

Inicialmente desenvolvido e implementado com fins militares, o GPS foi

liberado posteriormente pelo congresso americano para uso civil, ainda que com
degradações intencionais em sua precisão, PARKINSON (1996).

Após essa liberação, ocorreram profundas transformações no conceito de

posicionamento em diversas áreas do conhecimento com diferentes aplicações,
tais como: Mensuração e suas áreas afins, Transporte terrestre, aéreo e naval,
Telefonia móvel, Monitoramento de segurança, Serviços de emergência,
Monitoramento de fauna e flora, Controle de queimadas, Fiscalização de
desmatamento e outros.

Resumidamente, pode-se dizer que os primeiros projetos, da chamada

“Era espacial”, datam do início dos anos 50. Após duas décadas de pesquisas, os
americanos e os russos implantaram o GPS e o GLONASS, respectivamente, que
são hoje os únicos sistemas de posicionamento global operacionais. Ambos
compõem o chamado GNSS (Global Navigation Satellite System).
 2

Existe ainda um projeto liderado pelos países membros da união européia

para implantação de um outro sistema, o GALILEO. Este está sendo
desenvolvido principalmente para aplicações civis, com previsão de lançamento
dos primeiros satélites para 2005.

A operação contínua do sistema GPS, a grande variedade de receptores

no mercado, e sua aplicabilidade prática em diversas áreas o transformaram no
mais popular dos sistemas de posicionamento. Porém, as necessidades cada vez
maiores em termos de precisão no posicionamento trouxeram consigo o ônus de
um custo elevado na aquisição de conjuntos receptores e dependendo da
estratégia de posicionamento, a necessidade de um aumento considerável nos
tempos de coleta e de processamento dos dados.

A possibilidade de se obter uma melhor precisão no posicionamento por

ponto simples passou então a ser objeto de estudo de vários pesquisadores,
visando eliminar a necessidade de posicionamento relativo, minimizar o tempo
da sessão de observação e otimizar o custo dos levantamentos.

Nesse sentido, novas possibilidades têm se apresentado promissoras, tais

como, o Posicionamento Pontual Preciso, também chamado de método PPP1, que
proporciona precisão tridimensional da ordem de alguns centímetros e demanda
baixo esforço computacional em relação às redes, MONICO (2001). Maiores
informações acerca deste método são apresentadas no item 3.3.1.

O termo posicionamento pontual, do inglês single point, refere-se

tradicionalmente as estimativas das coordenadas de uma determinada estação,
através da análise de pseudodistâncias entre as antenas dos satélites e de um
receptor, geralmente baseadas no código C/A (com limitações impostas pelos
parâmetros contidos na mensagem de navegação, que têm precisão de poucos
metros para órbitas e de dezenas de metros para relógios), ZUNBERGE;
BERTINGER (1996) apud ZUNBERGE (1997).

O uso de receptores de dupla freqüência possibilita ao uso de um modelo

de combinação linear dos sinais da portadora L1 e L2, definida como L3, ou

1
Precise Point Positioning
 3

ainda, ion free, onde são eliminados os efeitos da ionosfera na propagação do

sinal GPS, geralmente uma fonte de erros importante em se tratando de vetores
de linhas-base longas.
Desde o surgimento do GPS, várias foram as questões e dúvidas
levantadas sobre ele, quase todas no sentido de melhor compreendê-lo e
aprimorá-lo numa incessante tentativa de explorar todas as suas possibilidades.
Uma delas é: seria possível fazer com que dados observados por
receptores de uma freqüência (L1) possam ser processados de forma a
se obter um nível de precisão similar àqueles gerados por receptores de
dupla freqüência (L1 e L2)? Uma segunda questão é: seria possível
modelar, prever ou estimar dados GPS? e ainda uma outra pergunta surge:
Qual ferramenta seria adequada a esta modelagem?

LUO; UNBEHAUEN (1998) lançaram uma luz sobre estas perguntas

quando afirmaram que a utilização de Redes Neurais Artificiais no
processamento de sinais estava se ampliando com aplicações em diversas áreas
como filtragem, estimativa de parâmetros, detecção de sinais, reconhecimento de
padrões, reconstrução de sinais, sistemas de identificação, compreensão e
transmissão.

Redes Neurais Artificiais, neste trabalho, tratadas apenas por Redes

Neurais ou ainda pela sigla RNAs, têm seu uso indicado nesta investigação em
função da excelente capacidade de generalização, classificação, interpolação e
extrapolação, tolerância a erros e ruídos e também pelo fato de não haver a
necessidade prévia de parametrizações explícitas na modelagem.

A hipótese inicial desta investigação configura-se então na asserção de

que é possível estimar dados GPS da portadora L2 e código P2 utilizando
modelagem a partir de RNAs, a despeito dos erros inerentes à propagação do
sinal GPS, quer intencionais ou não, da época e do local onde tenham sido
observados, desde que sejam satisfeitas determinadas restrições.

Estas restrições referem-se à necessidade de existirem dados de um

conjunto de estações GPS, equipadas com receptores de dupla freqüência e
código P, dependendo dos objetivos do usuário, rastreando simultaneamente
 4

àquele que se deseja estimar, dentro de uma determinada região de

abrangência. Os limites desta região são objeto de estudos futuros. Existe ainda
uma restrição relativa à necessidade de existência de efemérides precisas em
formato SP3.

1.1. Objetivos

O objetivo central deste trabalho é desenvolver um método para estimar

dados GPS, mais especificamente, a contagem de ciclos da fase da portadora L2
e a pseudodistância a partir do código P2, para serem agregados aos dados de
um receptor de única freqüência (L1 e C/A), obtendo-se um novo conjunto (L1,
C/A, L2Modif, P2Modif). Esses dados serão estimados através da utilização de
um modelo de rede neural, usando algoritmos de aprendizado supervisionado,
alimentados por dados oriundos de receptores de dupla freqüência (L1, C/A, L2,
P2) da Rede Brasileira de Monitoramento Contínuo (RBMC), mantida pelo
Instituto Brasileiro de Geografia e Estatística (IBGE). Este novo conjunto de
dados (L1, C/A, L2Modif, P2Modif) modificado, será testado mediante diferentes
condutas de processamentos tais como: ponto simples e processamento relativo
de bases longas.

1.2. Justificativas

Esta investigação justifica-se principalmente pela tentativa de elevar a

precisão da posição tridimensional de uma dada estação GPS, observada pelo
método de posicionamento simples com receptor GPS de uma freqüência, a um
nível similar às coordenadas de uma estação observada com um receptor de
dupla freqüência e código P.

Isto proporciona uma expressiva redução de custo no eventual uso de

receptores de dupla freqüência, função da substituição destes, por receptores de
uma freqüência. Se utilizado o PPP, ainda se obtém uma segunda vantagem,
esta, relativa ao fato de que esse método não necessita do uso simultâneo de dois
ou mais receptores, diretamente pelo usuário.
 5

Este trabalho pode também ser legitimado em função do uso que ele
proporciona à enorme massa de dados gerados e disponibilizados pelo
Departamento de Geodésia do IBGE (DEGED), os dados da RBMC, que
geralmente, são usados apenas pelo próprio instituto e também por
pesquisadores, com aplicações específicas em seus campos de estudo.

O fato do método proposto utilizar de forma continuada e sistemática, os

dados da RBMC confere a esta aplicação, o caráter de democratizar e tornar
mais conhecidos e utilizados esses dados. Além de justificar e de tornar
imprescindível à implantação, adensamento e manutenção de redes de estações
GPS ativas que utilizem conjuntos receptores de dupla freqüência.

O Brasil não conta com uma densa rede de estações ativas de receptores
de dupla freqüência e código P, o que facilitaria diversas aplicações geodésicas,
que normalmente requerem um refinamento maior em termos de precisão
espacial do posicionamento. Até junho de 2003, a única rede de estações GPS
com estas características é a RBMC, composta atualmente de apenas 15 estações
e que não são suficientes para cobrir de maneira uniforme toda a extensão
territorial brasileira. Isto fica mais evidente ao se observar os imensos vazios na
região amazônica, onde atualmente a única estação em operação está localizada
em Manaus.

Entretanto, existe um número significativo de estações dotadas de

receptores de uma freqüência, tal como aquelas que compõem a Rede INCRA de
Base Comunitárias do GPS (RIBAC), composta atualmente por 44 estações. A
possibilidade de que possam ser utilizadas como se fossem de dupla freqüência e
código P traria grandes benefícios em termos de precisão, principalmente para o
processamento relativo de bases longas.
 6

2
O ESTADO DA ARTE

Esta investigação é um híbrido, fruto da união entre duas áreas de

conhecimento, um problema de GPS pela Engenharia - Mensuração e a busca da
solução através de Redes Neurais Artificiais pela Ciência da Computação.

Ainda na década de 40 MCCULLOCH & PITTS (1943) desenvolveram o

primeiro modelo artificial de um neurônio biológico, onde se concentram muito
mais em descrever e apresentar as capacidades computacionais de um neurônio
artificial do que apresentar técnicas de aprendizado. Apenas com o trabalho de
HEBB (1949) estas técnicas de aprendizado tarnaram-se objeto de estudo.

Posteriormente, o trabalho de WIDROW & HOFF (1960) apresentou uma

regra de aprendizado baseada no gradiente descendente para minimização do
erro da rede, denominada regra delta, que ainda hoje é utilizada. ROSENBLATT
(1958), criou um novo modelo, o perceptron, com sinapses ajustáveis, que se
prestaria ao terinamento de certos tipos de padrões.

As Redes Neurais Artificias ficariam adormecidas durante toda a década

de 70, em grande parte por conta do trabalho de MINSKY & PAPERT (1969),
que chamaram a atenção para algumas tarefas que o perceptron não era capaz
de executar, já que só resolve problemas linearmente separáveis. O principal
argumento de MINSKY e PAPERT era que o problema do crescimento explosivo
tanto do espaço ocupado, como do tempo requerido para a resolução de
problemas complexos, afetariam as RNAs, inclusive os perceptrons.
 7

HOPFIELD (1982) publicou um artigo que foi o responável por parte da

retomada das pesquisas na área, onde mostrou a relação entre redes recorrentes
auto-associativas e sistemas físicos. A descrição do algoritmo de treinamento
backpropagation por RUMELHART (1986) mostrou que a visão de MINSKY e
PAPERT acerca do perceptron era bastante pessimista. Provando que as RNAs
de múltiplas camadas são realmente capazes de resolver problemas complexos.
O avanço acelerado da microeletrônica também contribuiu para que nas últimas
duas décadas, pesquisadores se dedicassem ao estudo e aplicação de RNAs em
diversas áreas do conhecimento, BRAGA; CARVALHO; LUDERMIR (2000).

Existem diversos trabalhos que abordam sob os mais variados aspectos

tanto a tecnologia GPS quanto RNAs. Porém, na Mensuração a maioria dos
trabalhos com aplicação em GPS está voltada à utilização prática que se dá
desta tecnologia, principalmente na obtenção de coordenadas com variadas
aplicações nos diferentes segmentos tais como: Geodésia, Topografia, Cadastro
urbano e rural, Fotogrametria, Sensoriamento Remoto, Sistema de Informações
Geográficas, Monitoramento de veículos, Monitoramento de deformações de
estruturas e outros.

Há uma outra corrente de pesquisadores que se ocupa com estudo e

modelagem dos erros inerentes ao processo de transmissão, propagação ou
recepção do sinal GPS, sempre visando obter-se uma maior acuracidade para as
coordenadas.

Com relação às redes neurais, sabe-se que o Brasil é um dos países que
registra um dos maiores crescimentos mundiais no estudo da inteligência
artificial ou inteligência computacional. Segundo levantamento do Conselho
Nacional de Redes Neurais, praticamente todas as grandes universidades
federais, estaduais e algumas particulares possuem estudos voltados para esta
área. São comuns trabalhos que apresentam a utilização de RNAs
principalmente em previsão de dados, algoritmos de aprendizado, otimização de
sistemas, reconhecimento de padrões e outros.

Dentre os trabalhos, já desenvolvidos, relacionando RNAs aos diferentes

segmentos da Mensuração pode-se citar: o processamento digital de imagens de
 8

satélites (Sensoriamento Remoto) PANDEY et al. (2001), a modelagem numérica

do terreno (Topografia), BACA (2001) e a predição de anomalia gravitacional
(Geofísica), TIERRA; FREITAS (2000).

Freqüentemente, utiliza-se o sistema GPS apenas como instrumento de

orientação e navegação. LORA; HEMERLY; LAGES (1998) desenvolveram um
método onde a idéia é possibilitar um bom nível de automação em embarcações,
que seriam guiadas por este sistema. Nesta aplicação, RNAs são utilizadas no
treinamento adaptativo de máquinas e o GPS serve apenas para fornecer parte
do padrão de entradas externas, ou seja, as coordenadas de pontos, para a rede
neural.

O trabalho de HERNÁNDEZ-PAJARES et al. (1997) propõe e aplica a

modelagem do Total Electrons Content (TEC) da camada ionosférica e busca
quantificar seus efeitos na propagação do sinal GPS utilizando os modelos Self
Organizing Map (SOM) e Hopfield.

E, mais recentemente, MAIA et al. (2002) apresentaram a possibilidade

da predição da contagem de ciclos de uma portadora GPS utilizando o modelo
Temporal – FIR MLP. O que indica que se é possível prever o comportamento
temporal de uma observável, ainda que por um curto período de tempo,
provavelmente também seja possível estimar o comportamento de uma
observável em função de outra.

Apesar de uma minuciosa e exaustiva busca, não foi encontrado durante

a fase de revisão bibliográfica nenhum trabalho que caminhasse na mesma linha
de pesquisa proposta nesta investigação. Este fato impossibilitou a citação
expressa de trabalhos anteriores. É desejável que em se tratando de uma tese de
doutoramento se exijam como atributos básicos um caráter inédito, uma
significativa relevância e a exeqüibilidade.
 9

3
O SISTEMA DE POSICIONAMENTO GLOBAL
NAVSTAR/GPS

Apesar de este ser um assunto cujos fundamentos são amplamente

apresentados em literatura específica, existem algumas nuances que podem ser
ressaltadas e o serão, como forma de oportunizar um bom entendimento, ainda
que superficial devido à complexidade e extensão dos temas, aos profissionais
quer sejam eles ligados à Mensuração ou à Ciência da Computação.

Quanto a este capítulo, a abordagem terá como foco principal seu

princípio de funcionamento, a caracterização dos sinais e seu processamento.
Detalhes pormenorizados tais como histórico e sistemas predecessores,
segmentos nos quais está dividido, erros aos quais está sujeito, constelação,
configuração orbital e prescrições do tempo foram propositalmente omitidos, em
função de serem assuntos amplamente apresentados por diversos autores tais
como: SEEBER (1993); LEICK (1995), PARKINSON (1996), HOFFMANN-
WELLENHOF (2001), e outros.

Não serão explanadas nenhumas das outras características do sistema

que não estejam relacionadas à caracterização, descrição e processamento do
sinal recebido pelas antenas receptoras dos equipamentos.
 10

3.1. O Sinal GPS

Sob a ótica da Engenharia, sinais são funções ou seqüências que servem

para transportar informação de uma fonte de mensagens a um destinatário. As
características específicas dos sinais dependem do canal de comunicação
utilizado para este transporte. Este canal é definido pelo tipo de distorção que
introduz os sinais. Esta distorção pode ser: determinística linear, determinística
não linear ou aleatória, KOVÁCS, 1996.

Os sinais são processados no lado do transmissor com a finalidade de

produzi-los e configurá-los, e no lado do receptor para extrair a informação neles
contida, se possível com a máxima eficiência. (No caso do sinal GPS, a fonte
geradora, são os satélites artificiais GPS, e o canal de comunicação, as
portadoras, e o destinatário, o receptor GPS são elementos pré-definidos com
características gerais muito bem especificadas).

A Geodésia por Satélites é baseada em dados transmitidos através de

ondas eletromagnéticas, oriundas de osciladores a bordo dos satélites que geram
uma freqüência fundamental f o . Duas portadoras da banda L são geradas pela

multiplicação de constantes por f o , resultando nas portadoras L1 e L2. Estas

são moduladas por códigos para fornecer leituras dos relógios dos satélites ao
receptor e também para transmitir informações tais como os parâmetros
orbitais, HOFFMANN-WELLENHOF et al. (2001). Os componentes desses
sinais encontram-se resumidos na Tabela 1.

Tabela 1 – Resumo de alguns componentes dos sinais dos satélites

(Adaptada de HOFFMANN-WELLENHOF et al., 2001).

Componentes Freqüência (MHz)

Freqüência fundamental f0  10,23
Portadora L1 154 f 0  1575,42 ( 19,0 cm)
Portadora L2 120 f 0  1227,60 ( 24,4 cm)
Código P f0  10,23
Código C/A f 0 / 10  1,023
 11

Os satélites GPS são reconhecidos através de diferentes critérios de

nomeação e numeração. Um destes critérios é o número Pseudo-Random-Noise
(PRN), ruído falsamente aleatório. Os códigos que formam o PRN são
modulados, em fase, sobre as duas portadoras, L1 e L2. Esta modulação
possibilita que se executem medições de distâncias a partir do tempo de
propagação da modulação (Leick, 1995).

De forma bastante simplificada pode-se dizer que os códigos são uma

seqüência com os estados  1 e  1 , correspondentes aos valores binários 0 e 1. A
chamada modulação bifásica é executada com um efeito de 180° na fase da
portadora sempre que ocorrer uma mudança de estado. Esta modulação está
ilustrada na Figura 1.

Figura 1 – Modulação Bifásica da onda portadora (Adaptada de

HOFFMANN-WELLENHOF et al., 2001).

O principal motivo para o uso de uma segunda freqüência nos satélites

GPS é minimizar os efeitos da camada ionosférica na propagação do sinal.
Assim, o uso de um conjunto receptor/antena de dupla freqüência permite que se
tenham prontamente disponíveis, as observáveis das duas freqüências, cuja
composição independe da ionosfera. Usuários que façam uso de receptores de
uma freqüência normalmente dependem da eliminação dos efeitos ionosféricos
através da eliminação de erros que ocorre na dupla diferença e/ou da utilização
de modelos ionosféricos.
 12

Diversas razões, para as quais não cabe uma análise mais detalhada
neste momento, concorrem para que no Brasil a maioria dos usuários do sistema
GPS utilize receptores de uma freqüência. Dentre elas pode-se destacar a
significativa diferença de custo entre os conjuntos receptores de uma e dupla
freqüências.

Caso se utilize para observação conjuntos receptores de uma freqüência, a

estimativa do atraso ionosférico normalmente é realizada a partir da aplicação
de diferentes modelos, geralmente alimentados por parâmetros transmitidos na
mensagem de navegação. Uma descrição geral desses modelos pode ser
encontrada em SILVA (2000). Testes e comparações entre esses modelos podem
ser obtidos em LEANDRO (2003).

3.2 As observáveis GPS

O conceito relacionado às observáveis GPS refere-se a distâncias

calculadas a partir de medições de fase ou tempo, baseadas na comparação entre
sinais gerados internamente pelos receptores e recebidos dos satélites GPS. A
forma de medir as distâncias a partir dos sinais recebidos difere dos
distanciômetros eletrônicos terrestres pelo uso de dois relógios, um no satélite e
outro no receptor. Este fato faz com que as distâncias sejam influenciadas pelos
erros de ambos, por isso são chamadas de pseudodistâncias, HOFFMANN-
WELLENHOF et al. (2001).

O princípio fundamental da navegação por GPS reside em medições das

pseudodistâncias. Ao conhecerem-se as coordenadas dos satélites em um
determinado sistema de referência é possível se calcular as coordenadas da
antena de um dado receptor, neste mesmo sistema.

Para a determinação das coordenadas de pontos seria necessário observar

apenas três satélites, estaria assim solucionado o problema de geometria. Porém
devido ao não sincronismo dos relógios do satélite e do receptor, um quarto
satélite é necessário, para solucionar este problema.
 13

3.2.1. Pseudodistância

Pseudodistâncias calculadas a partir de leituras de código são função do

tempo de viagem do sinal GPS entre as antenas dos satélites e de um dado
receptor.

Elas são o resultado da multiplicação da velocidade da luz pelo tempo de

propagação do sinal (  RS ) resultante do processo de correlação cruzada. Embora

os relógios dos satélites possuam osciladores de alta precisão, seu sistema de

tempo é diferente dos relógios dos receptores. Estes têm osciladores de menor
precisão, mas pode-se relacionar esses dois sistemas de tempo, satélites( t S ) e
receptor ( t R ), ao sistema de tempo GPS ( tGPS ), utilizando-se as seguintes

expressões:
tGPS S  t S  dt S (1)

tGPS R  tR  dt R (2)

onde:

tGPS S  sistema de tempo GPS do satélite;

tGPS R  sistema de tempo GPS do receptor;

dt S  erro do relógio do satélite em relação ao tempo GPS no instante t S ;

dt R  erro do relógio do receptor em relação ao tempo GPS no instante t R .

A partir das equações (1) e (2) pode-se escrever a equação da

pseudodistância da seguinte forma:

PDi R  c RS  c(dt R  dt S )   P D i R
S S
(3)

onde:

c  velocidade da luz no vácuo;

 RS  tempo de propagação do sinal, contado desde sua geração no satélite

até a correlação no receptor;
 14

 PD i SR  erro da medida de pseudodistância;

i  índice que representativo do tipo de código a partir do qual a
pseudodistância foi obtida (C/A, sobre a portadora L1, e ou do código
P, sobre as portadoras L1 e ou L2);

Existem diversos fatores que podem ser considerados no cálculo da

pseudodistância, e o são por diferentes autores. Entretanto, um detalhe
particularmente importante a ser observado refere-se ao tempo de propagação

 RS . Seu produto pela velocidade da luz não representa exatamente a distância

geométrica  RS entre as antenas dos satélites e de um dado receptor. Isto ocorre

devido aos erros provocados pela atmosfera terrestre (ionosfera  IiRS e

S
troposfera TiRS ) e também devido aos efeitos de multicaminhamento ( M PDi R ).

MONICO (2000) descreve uma equação possível para a pseudodistância que

considere esses fatores e pode ser representada por:

PDiRS   RS  c(dt R  dt S )  IiRS  TiRS  M PD i R   PDi R

S S
(4)

3.2.2 Fase da portadora

Comparativamente à pseudodistância, a fase da portadora ou

simplesmente fase, é mais precisa, e por isso é considerada a observável a se
utilizar em aplicações geodésicas (MONICO, 2000).

Chamando-se de  S (t ) a fase da portadora reconstruída e recebida com a

freqüência f S e de  R (t ) a fase da portadora de referência, gerada internamente

no receptor com uma freqüência f R . O parâmetro t é uma época no sistema de

tempo GPS, reconhecida a partir de uma época inicial t0  0 . Assim, pode-se

escrever as seguintes equações ( HOFFMANN-WELLENHOF et al. ,2001):


 S (t )  f S t  f S  oS
c (5)
 R (t )  f Rt  OR
 15

As fases iniciais, OS e OR , são causadas pelos erros dos relógios e são

iguais a:

OS   f S S
(6)
OR   f R R

Conseqüentemente a fase  RS (t ) é dada por:

 RS (t )   S (t )   R (t )
 (7)
 RS (t )   f S  f S  S  f R R  ( f S  f R )t
c

O desvio das freqüências f S , f R em relação à freqüência nominal f é

apenas da ordem de fração de Hz. Isto pode ser constatado ao se considerar que
df
a estabilidade na freqüência em um curto intervalo de tempo é de  10 12 ,
f

sendo f  1,5 GHz, o erro da freqüência df  1,5.10-3 Hz.

Assim, o erro da freqüência ( aproximadamente t  0,07 segundos) pode

ser negligenciado durante a propagação do sinal, o erro máximo do ciclo da fase

está abaixo do nível de ruído, por isso os erros dos relógios dos receptores são na
ordem de milisegundos e são menos efetivos, podendo-se escrever a equação
anterior de forma simplificada:


 RS (t )   f  f (8)
c

Inicialmente, o número inteiro N de ciclos da portadora, chamado de

ambiguidade entre as antenas dos satélites e de um dado receptor é
desconhecido. Porém, se a observação é continuada sem perda de contato, ou
seja, sem a chamada perda de ciclo, o número permanece o mesmo e a fase à
época t é dada por:
t
 RS (t )   RS to
N (9)
 16

 RS t
to denota a fração de fase na época t adicionado ao número inteiro

de ciclos desde a época inicial t o .

Uma interpretação geométrica da equação (9) é representada pela Figura

ti
2, onde i é a notação abreviada para  RS e por simplificação, a fração do
to

batimento de fase inicial , o , é assumida como sendo zero. Fazendo a

substituição da equação (9) na (8) e nomeando a quantidade observação negativa

por    RS , a equação da pseudodistância da fase resume-se em:

1 c
    N (10)
 

Onde:  = comprimento de onda.

Multiplicando-se a equação acima por  , a fase é expressa em ciclos para

uma distância que se diferencia da pseudodistância do código apenas por um
inteiro multiplicado por  . A distância  representa a distância entre o satélite
na época t da emissão e o receptor na época da recepção t  t . A fase da
portadora pode ser medida melhor que 0,01 ciclos, que corresponde a 2 mm de
resolução, HOFFMANN-WELLENHOF et al. (2001).
 17

Figura 2 – Interpretação geométrica da fase da portadora. (Adaptada

de HOFFMANN-WELLENHOF et al., 2001).

3.3 O Processamento de dados GPS

Não haveria sentido em descrever detalhadamente as formas clássicas de

posicionamento e processamento de dados GPS, tais como posicionamento
simples e relativo uma vez que estas se encontram bastante difundidas em toda
a literatura pertinente. Maiores detalhes podem ser encontrados em SEEBER
(1993); LEICK (1995), PARKINSON (1996), HOFFMANN-WELLENHOF
(2001), e outros.

Ainda que esta pesquisa se utilize destas formas de processamento para

efeito de análise e comparação de resultados, será descrito apenas, o
posicionamento pontual preciso que, apesar de figurar entre as inovações no
processamento de dados GPS nos últimos anos ainda é quase que
completamente desconhecido tanto por pesquisadores quanto por usuários do
sistema GPS no Brasil. Os dados relativos ao uso do Auto-Gipsy por usuários do
Brasil, mostram apenas 222 consultas ao sistema desde 1998,
http://milhouse.jpl.nasa.gov/ag/usage.html, 01/06/2003.
 18

3.3.1 Posicionamento Pontual Preciso (PPP)

O PPP, do inglês Precise Point Positioning, é um método que utiliza as

informações de fase das portadoras L1 e L2, e pseudodistâncias, a partir dos
códigos C/A e P em conjunto com as efemérides precisas e correções de relógio,
fornecidas pelo International GPS Service (IGS), para processamento pontual.
Este fato provoca uma limitação no seu uso, uma vez que apenas dados oriundos
de receptores com estas características podem ser submetidos ao serviço
automatizado de processamento. Além disso, os dados só podem ser processados
entre uma e duas semanas após sua observação, tempo necessário para cálculo e
liberação das efemérides precisas pelo IGS, SILVA; SEGANTINE (2001).

Este método possui uma forma de processamento de dados GPS que

utiliza uma estratégia relativamente nova. E, como tal, possui vantagens e
desvantagens quando comparado às formas tradicionais de processamento. Esta
diferença decorre da metodologia utilizada na estimativa das coordenadas para
uma determinada estação GPS. O aspecto mais incomum deste tipo de
processamento e que o diferencia dos demais é que os erros dos relógios são
modelados como coeficientes polinomiais, que são estimados como parâmetros
estocásticos e não cancelados como ocorre na dupla diferença de fase, usada pela
maioria dos métodos de processamento GPS ( WEBB; ZUMBERGE, 1997).

A essência deste método é calcular órbitas e erros dos relógios de todos os

satélites disponíveis, através de uma rede global ativa de alta precisão, neste
caso a rede IGS, que se encontra ilustrada pela Figura 3, e usar todas estas
informações para resolver os parâmetros de uma estação de qualquer local no
mundo (posição, relógio e troposfera úmida).
 19

Figura 3 – Localização das estações que compõe a rede do IGS.

(Fonte:http://igscb.jpl.nasa.gov/network/allmaps.html, 10/03/03).

É uma ferramenta que pode ser usada para processar desde uma única
estação até uma rede com centenas de pontos. A precisão das coordenadas
calculadas individualmente no PPP é comparável a soluções de redes, ou seja,
variam de poucos milímetros a poucos centímetros. Entretanto, ele é incapaz de
identificar correlações entre estações, GREGORIUS (1996).

O JPL´s Flinn Analysis é o setor, dentro do JPL, responsável pela

determinação e fornecimento de órbitas e correções precisas de relógios com uma
repetibilidade diária de poucos milímetros na componente horizontal e cerca de
um centímetro na vertical das coordenadas dos satélites. A precisão obtida está
em um fator entre 100 a 1000 vezes melhor que a possível pela mensagem de
navegação, possibilitando pós-processamento de dados de um receptor simples
com precisão de poucos centímetros quando usado em conjunto com efemérides
precisas (ZUMBERGE, 1998).
O PPP usa para processamento os programas GIPSY e OASIS II, ambos
desenvolvidos pelo Jet propulsion Laboratory (JPL). Eles utilizam módulos
comuns apesar de serem dois pacotes independentes. Uma das facilidades
proporcionada pelo JPL é a análise automática e gratuita de dados GPS, que é
um serviço disponível a um usuário qualquer através do uso de e-mail e ftp. Este
serviço é designado por Auto-Gipsy, descrito a seguir.
 20

3.3.1.1 O Auto-GIPSY (AG)

O JPL possibilita o processamento automatizado de dados GPS com o

sistema AG. Qualquer usuário, de qualquer lugar, que utilize e-mail e ftp2 e que
possua dados, adequados às exigências do PPP pode obter as coordenadas da
estação observada, além de diversas outras informações estatísticas, em cerca de
5 a 10 minutos após o envio dos dados. Estas informações podem ser descritas
como:

 Tempo de observação ≥ uma hora;

 Receptor de dupla freqüência e código P;
 Taxa de coleta de dados ≤ 30 segundos ( taxas menores que 30 devem
ser submúltiplos de 30 s);
 Método de posicionamento estático;
 Formato RINEX do arquivo com nomenclatura internacional.

A análise automática funciona regularmente desde 1998 e possibilita a

análise de dados GPS coletados por um receptor numa localização arbitrária.
Porém, a principal vantagem para o usuário quando se utiliza do serviço
automatizado é que não despende tempo de aprendizado, instalação e
manutenção de um complexo programa de análise GPS. O procedimento para
utilização do AG envolve:

 Disponibilizar o arquivo RINEX de observação (apenas este),

nomeado adequadamente, para “download” em uma área de ftp
anonymous (opcionalmente comprimido);
 Enviar um e-mail para ag@cobra.jpl.nasa.gov. No local destinado ao
assunto do e-mail, deve-se escrever “Static”. O corpo do e-mail deve
conter a URL3 (endereço de ftp) onde está seu arquivo RINEX a ser
processado.

Apenas dados oriundos de satélites com elevação acima de 15 são

considerados. O sistema detecta automaticamente a maioria das condições de
“anormalidade” nos dados. Caso ocorra problema quanto a informações e ou

2
File Transfer Protocol
3
Uniform Resource Locator
 21

formato dos dados, o usuário receberá um e-mail como resposta avisando destes
erros. O tempo de resposta, geralmente, é cerca de 10 minutos. Após esse
período, o usuário receberá um e-mail com o endereço de ftp onde se encontram
oito arquivos para serem copiados com as seguintes informações:

1. Explicações detalhadas de todos os resultados (readme);

2. Estimativas de coordenadas (, , h, em WGS 84, com as devidas
correções para o ITRF4 2000) do centro de fase da antena receptora,
seus desvios e a correlação entre si (*.gd) ;
3. Componentes cartesianas referentes a um determinado ITRF
(*.stacvx);
4. Componentes cartesianas sem um ITRF definido (*.stacov);
5. Resíduos posteriores do ajustamento (*.prf);
6. Erros formais em parâmetros estimados tais como: atraso zenital na
troposfera úmida, desvio de fase, erro do relógio do receptor e
coordenadas da estação (*.tdf);
7. Parâmetros utilizados pelo GIPSY no processamento (*.rgnml);
8. logfile (resumo dos dados utilizados).

Uma grande vantagem deste serviço é a análise eficaz de dados

observados com receptores GPS de diferentes fabricantes sem a necessidade de
formar dados diferenciados com receptores de referência. É alcançada uma
precisão diária de alguns poucos milímetros na dimensão horizontal e
aproximadamente 1cm na dimensão vertical para receptores estacionários,
http://milhouse.jpl.nasa.gov/ag/agfaq.html, 15/04/2003.

Uma importante limitação do PPP é o fato de que o receptor utilizado nas

seções de observação necessariamente tem que ser capaz de receber os sinais L1,
L2, P1 ou C1 e P2. Se o receptor for de dupla freqüência, mas não corresponder a
este padrão, o AG não processa os dados, SILVA (2000).

É mais uma forma de análise e pós-processamento de dados GPS, que

possibilita a um usuário do sistema obter coordenadas com uma precisão
compatível com trabalhos topográficos e com trabalhos geodésicos de
4
International Terrestrial Reference Frame, referente a correção periódica do deslocamento dos pólos terrestres.
 22

planimetria, de forma simples, rápida e com baixo custo de execução e uso do

sistema. A Figura 4 apresenta um resumo do processamento pelo AG.

Figura 4 – Representação resumida do processamento pelo AG.

3.4 O formato RINEX

Os dados GPS, frutos da observação e coleta realizados por um receptor,

normalmente são armazenados em um formato binário, próprio e específico, que
é reconhecido e processado apenas por programas oferecidos pelo fabricante.
Entretanto, para resolver o problema de processamento de observações GPS
feitas com receptores de diferentes fabricações, definiu-se um formato padrão
que independe do tipo e modelo do receptor com o qual ele foi obtido. A este
formato deu-se o nome RINEX, do inglês Receiver Independent Exchange
Format. O RINEX em sua versão atual consiste de seis diferentes arquivos de
acordo com o padrão ASCII:
 23

1. Dados de observação;
2. Dados de navegação;
3. Dados meteorológicos;
4. Mensagem de navegação GLONASS;
5. Mensagem de navegação GEO;
6. Dados de relógio de receptor e satélite.

Cada arquivo consiste de uma seção de cabeçalho e uma seção de dados.

O cabeçalho contém informações gerais para todo o arquivo e é colocado no início
do arquivo. A seção de dados traz informações específicas para cada época
observada. Uma descrição detalhada do formato com espaçamentos, tipo de
dados, construção e exemplo do formato pode ser obtida em GURTNER (2002).
 24

4
REDES NEURAIS ARTIFICIAIS (RNAs)

As RNAs não são um assunto propriamente novo, pois o primeiro modelo

artificial de um neurônio biológico data de 1943, resultado do trabalho do neuro-
anatomista e psiquiatra Warren MaCulloch e do matemático Walter Pitts.
Entretanto, merecerão ênfase naquilo que possibilite o conhecimento básico de
seus fundamentos bem como a descrição dos paradigmas de aprendizagem,
evidenciando-se o modelo MLP (Multi Layer Perceptron5) e o algoritmo
backpropagation, responsável pelo ressurgimento das RNAs no final da década
80.

Muitos autores conceituam e descrevem Redes Neurais Artificiais,

sempre enfatizando as características que mais evidenciam a utilização que se
quer dar a elas. Várias dessas definições podem ser encontradas em HERTZ;
KROGH; PALMER (1991), HAYKIN (1999); BRAGA; CARVALHO; LUDERMIR
(2000) e outros.

Optou-se, neste trabalho, por uma abordagem que faz uma analogia entre
RNAs e estatística, numa tentativa de tornar mais claros seus conceitos
fundamentais e adequá-los a um jargão mais familiar à engenharia. Porém,
deve-se enfatizar que o estudo das RNAs é um importante campo dentro da
Inteligência Artificial, área da Ciência da Computação.

SARLE (1994) descreve redes neurais como sendo uma ampla classe de
modelos discriminantes e regressão não linear flexível, modelos de redução de
dados e sistemas dinâmicos não lineares. Com freqüência, compostos por
5
Modelo artificial de um neurônio biológico
 25

diversos “neurônios”, isto é, elementos de cálculo lineares ou não,

interconectados através de ligações, por vezes complexas e freqüentemente
organizados em camadas. RNAs podem ser usadas basicamente de três formas:

1. Como modelos que simulam o sistema nervoso biológico e

“inteligência”;
2. Como processador adaptativo de sinais em tempo real ou
controladores implementados em hardware para aplicações
específicas, tal como em robôs;
3. Como métodos analíticos de dados.

Este trabalho limitar-se-á apenas à estimativa e análise de dados.

4.1 Inspiração Biológica

A inteligência potencial, alegada às redes neurais, levou diversos

pesquisadores à implementação de redes neurais em hardwares. Contudo, RNAs
muito raramente têm mais que centenas ou poucos milhares de neurônios,
enquanto que o cérebro humano tem cerca de 100 bilhões de neurônios
biológicos, ilustrados pela Figura 5.

Figura 5 – Representação genérica de um neurônio biológico e

processo de transmissão sináptica. (Adaptada de HAYKIN, 1999).
 26

Apesar de existirem computadores com funcionamento paralelo, RNAs

comparáveis à complexidade do cérebro humano ainda estão muito além de
nossa capacidade tecnológica.

Milhares de fibras nervosas, chamadas dendritos, são conectadas ao corpo

celular ou soma do neurônio. Funcionam como conexões de entrada, cada uma
com menos de um mícron de diâmetro. O corpo celular é capaz de executar
operações complexas sobre os sinais de entrada, contudo, estas operações podem
ser aproximadas por um somatório simples destes, HAYKIN (1999).

A extensão do soma é uma única e longa fibra nervosa chamada axônio.

Esta estrutura recebe e analisa o valor do somatório exterior. Se este valor for
superior a um determinado limite mínimo, o axônio produz uma voltagem de
saída de 10 3 V , também denominada potencial de ação, que é conduzida à sua
extremidade.

A extremidade do axônio se ramifica em diversos terminais sinápticos ou

telodendros. Estes terminais se conectam aos dendritos ou soma das unidades
vizinhas através de complexas estruturas chamadas sinapses. Segundo
KOVÁCS (1997), não ocorre um contato direto entre telodendro e dendrito, mas
sim uma conexão química temporária (processo de transmissão sináptica), o que
provoca a excitação, inibição ou modulação da unidade seguinte.

No telodendro há vesículas com neurotransmissores que são responsáveis

pela condução do potencial de ação entre os neurônios. Quando o potencial de
ação atinge a membrana do telodendro, abrem-se canais provocados pela fusão
entre a membrana do mesmo e as membranas das vesículas. Esta fusão permite
a saída dos neurotransmissores, que se difundem pela fenda sináptica e se ligam
aos receptores da membrana do dendrito. Esta ligação desestabiliza a
membrana, permite a entrada de íons e possibilita a condução do potencial de
ação para outro neurônio, HAYKIN (1999).
 27

4.2 Neurônio Artificial

Redes Neurais são sistemas de processamento de informações compostos

por um grande número de elementos de processamento simples chamados de
neurônios artificiais, ou simplesmente neurônios. Muitos modelos de RNAs têm
sido propostos e extensivamente usados para processamento de sinais.

O modelo inicial para um neurônio artificial, foi proposto por McCulloch e

Pitts e posteriormente aprimorado por ROSENBLATT (1958), que o nomeou de
perceptron (Figura 6). Ele representa uma aproximação extremamente
simplificada sob a ótica neurofisiológica, porém conserva algumas das
características básicas do neurônio biológico e viabiliza a sua implementação
computacional.

pesos

Figura 6 – Modelo não linear de neurônio artificial (Adaptada de

HAYKIN, 1999).

Onde xm são as entradas da rede, wkm são os pesos, ou pesos sinápticos,

associados a cada entrada, bk é o termo bias , u k é a combinação linear dos sinais

de entrada,  (.) é a função de ativação e y k é a saída do neurônio.

Pode-se dizer que é nos pesos que reside todo o conhecimento adquirido
pela rede. Os pesos é que são os parâmetros ajustáveis e que mudam e se
adaptam à medida que o conjunto de treinamento é apresentado à rede. Assim
sendo,o processo de aprendizado supervisionado em uma RNA com pesos,
resulta em sucessivos ajustes dos pesos sinápticos de tal forma que a saída da
rede seja o mais próximo possível da resposta desejada.
 28

Tipicamente, a ordem de amplitude normalizada da saída do neurônio

está no intervalo [0, 1] ou alternativamente [1, 1] . O modelo neural também

inclui um termo chamado de bias, aplicado externamente, simbolizado por bk . O

bias bk tem o efeito do acréscimo ou decréscimo da função de ativação na

entrada da rede, dependendo se é positiva ou negativa, respectivamente.

Regiões de decisão são intervalos fixos onde a resposta desejada pode

estar. O bias serve para aumentar os graus de liberdade, permitindo uma
melhor adaptação, por parte da rede neural, ao conhecimento fornecido a ela.

4.3 Topologia ótima.

A priori, quanto mais camadas de neurônios, melhor seria o desempenho

da rede neural pois aumenta a capacidade de aprendizado, melhorando a
precisão com que ela delimita regiões de decisão. Mas, na prática, aumentar o
número de camadas intermediárias, às vezes, se torna inviável devido ao
trabalho computacional.

Existem pesquisadores como HECHT; NIELSEN (1989), que afirmam

que com apenas uma camada intermediária na rede neural, já é possível calcular
uma função arbitrária qualquer a partir de dados fornecidos. De acordo com
estes autores, a camada oculta deve ter por volta de (2i+1) neurônios, onde i é o
número de variáveis de entrada.

Outros, como CYBENKO (1988) estudaram o número de camadas

intermediárias necessárias à implementação de funções em RNAs. Seus
resultados indicam que uma camada intermediária é suficiente para aproximar
qualquer função contínua e duas camadas intermediárias aproximam qualquer
função matemática.

LIPPMANN (1987) afirma que em havendo uma segunda camada

intermediária na rede neural, esta deve ter o dobro de neurônios da camada de
saída. No caso de apenas uma camada oculta, ela deverá ter s (i+1) neurônios,
onde s é o número de neurônios de saída e i o número de neurônios na entrada.
 29

Outros autores defendem que em redes pequenas o número de neurônios

da camada oculta pode ser a média geométrica entre o número de neurônios de
entrada pelo número de neurônios de saída.

4.4 Características e propriedades úteis das RNAs

RNAs são capazes de processar uma grande quantidade de dados e fazer

previsões, algumas vezes com uma acurácia surpreendente e embora essa
característica não as torne “inteligentes” no sentido usual da palavra, redes
Neurais Artificiais definitivamente “aprendem”.

O algoritmo de aprendizado é formado por um conjunto de procedimentos

bem definidos, capazes de adaptar os parâmetros de uma RNA. Existe um
conjunto de ferramentas representadas por diversos algoritmos que diferem
entre si através da forma como se dá o ajuste de pesos, BRAGA; CARVALHO;
LUDERMIR (2000).

O poder de generalização, atribuído às redes neurais, refere-se à

capacidade que elas possuem de produzir saídas razoáveis a entradas que nunca
lhe tenham sido apresentadas (aprendizado). Essa característica possibilita a
solução de problemas complexos.

A utilização de redes neurais possibilita as seguintes capacidades e

propriedades úteis:

 Não linearidade (é uma propriedade importante, particularmente se o

sinal de entrada é gerado por mecanismos físicos, inerentemente não
lineares);
 Traçado entrada-saída (aprendizado supervisionado);
 Adaptatividade (capacidade de adaptar os pesos sinápticos,
modificando-os em função de entradas externas);
 Resposta clara (classificação, interpolação e extrapolação);
 Informação contextual (cada neurônio é potencialmente afetado pela
atividade global de todos os outros neurônios da rede);
 Tolerância a erros;
 30

 Analogia neuro-biológica (resolução de problemas complexos).

4.5 Os Modelos Neurais.

Há dezenas de diferentes modelos de RNAs descritos na literatura. À

primeira vista, o processo de seleção pode parecer uma tarefa difícil, frente ao
número de possibilidades. Porém, é provável que uns poucos modelos forneçam
uma solução excelente (MASTERS, 1994).

Muitos modelos neurais são similares ou idênticos a técnicas estatísticas

populares tais como: modelos lineares generalizados, regressão polinomial,
regressão não paramétrica e análise de discriminantes, análise de grupos e
componentes principais, especialmente onde a ênfase é a predição de fenômenos
complexos ao invés de uma explicitação das correlações entre as variáveis. Estes
modelos neurais podem ser muito úteis em diferentes tipos de aplicação.

Apesar de existirem diversos métodos para o treinamento de redes

neurais, eles podem ser agrupados em dois paradigmas principais que são os
aprendizados: supervisionado e não supervisionado. Existem ainda os
aprendizados por reforço e por competição, mas o método de aprendizado
supervisionado é o mais usado em RNAs, quer de neurônios com pesos, quer de
neurônio sem pesos, e possui este nome em função de que tanto entradas quanto
saídas desejadas são fornecidas à rede durante o processo de treinamento,
BRAGA; CARVALHO; LUDERMIR (2000). Esta investigação utilizará apenas o
método de aprendizado supervisionado.

SARLE (1994) afirma que embora muitos modelos de redes neurais sejam
similares ou idênticos a modelos estatísticos bastante conhecidos, a terminologia
na literatura de RNAs é muito diferente que aquela usada por estatísticos. Por
exemplo, na literatura de RNAs:

 Variáveis são chamadas de características;

 Variáveis independentes são chamadas de entradas;
 Valores estimados ou preditos são chamados de saídas;
 Variáveis dependentes são chamadas de valores de treinamento;
 31

 Resíduos são chamados de erros;

 Estimar ou prever são chamados de treinamento, aprendizado,
adaptação ou auto-organização;
 Critério de estimação é chamado de função erro, função custo, ou
função Lyapunov;
 Observações são chamadas de padrões de treinamento;
 Parâmetros estimados são chamados de pesos (sinápticos);
 Transformações são chamadas de links funcionais;
 Regressão ou análise de discriminantes são chamadas de aprendizado
supervisionado ou heteroassociação;
 Análise de classes é chamada de aprendizado competitivo ou
Adaptative Vector Quantization;
 Interpolação e/ou extrapolação são chamadas de generalização.

Os termos estatísticos, amostra e população não parecem ter equivalentes

no jargão de RNAs. Embora os dados sejam sempre divididos em conjunto de
treinamento e teste, para que se efetive a validação cruzada.

4.5.1 O Modelo Perceptron Multi Camadas (Multilayer Perceptrons

ou MLP).

Um perceptron, MCCULLOCH & PITTS (1943), calcula a combinação

linear de entradas chamadas de entradas da rede. Então, uma função de
ativação possivelmente não linear é aplicada às entradas da rede para produzir
uma saída. Um perceptron pode ter uma ou mais saídas. Se possuir uma função
de ativação linear, é similar a um modelo de regressão linear.

Segundo SARLE (1994) ao introduzir-se na rede uma camada extra de

neurônios, chamada de intermediária ou camada oculta, ainda assim, existe
apenas uma única camada com pesos a serem estimados. Se o modelo inclui
pesos, estimados entre a camada de entrada e a camada oculta, e a camada
oculta usa função de ativação não linear, tal como a função logística, o modelo
torna-se genuinamente não linear. O modelo resultante é chamado de Multilayer
Perceptron ou MLP.
 32

As redes de múltiplas camadas são aproximadores universais,

RUMELHART et al. (1986) e devem ser usadas quando se tem pouco
conhecimento e dados insuficientes acerca do relacionamento entre as variáveis
independentes e dependentes. Pode-se variar a complexidade do modelo MLP
através da variação do número de camadas intermediárias e do número de
neurônios em cada camada intermediária.

Com um pequeno número de neurônios ocultos, uma MLP é um modelo

paramétrico que fornece uma alternativa útil à regressão polinomial. Com um
número médio de neurônios ocultos, a MLP pode ser considerada como um
modelo quase paramétrico. Se o número de neurônios intermediários aumenta
com o tamanho da amostra, a MLP torna-se um modelo não paramétrico.

Considerando uma MLP para ajustamento de uma curva de regressão

não linear simples, usando uma entrada, uma saída linear e uma camada
intermediária com uma função de ativação logística, a curva pode ter muitas
ondulações e como existem neurônios ocultos, este tipo de MLP atuaria como
uma regressão polinomial ou um ajustamento quadrático.

Diferentes de polinômios, MPLs são fáceis de expandir para múltiplas

entradas e múltiplas saídas sem um aumento exponencial do número de
parâmetros. MPLs são treinadas normalmente por um algoritmo chamado de
regra delta generalizada, sugerida inicialmente por WIDROW; HOFF (1960),
que calcula derivadas pela simples aplicação da regra da cadeia chamada
backpropagation.

Freqüentemente, o termo backpropagation é aplicado também ao próprio

método de treinamento ou à rede treinada, desta forma. Esta confusão na
literatura em redes neurais é geral quando se trata de diferenciar modelos de
métodos ou algoritmos de treinamento.

Embora uma MLP com uma camada intermediária seja um aproximador

universal, existem diversas aplicações onde o uso de mais de uma camada
intermediária pode ser útil. Eventualmente uma função altamente não linear
pode ser aproximada com poucos pesos quando se usam múltiplas camadas
intermediárias ao invés de apenas uma.
 33

Em estatística necessita-se ter uma informação à priori sobre a estrutura

do modelo matemático. Em redes neurais o usuário estima esta estrutura pela
escolha do número de camadas e o número de neurônios e as funções de
transferência entre os neurônios de uma rede.

4.5.2 O algoritmo backpropagation

Para treinar a rede são utilizados vetores de entrada associados a seus

respectivos vetores de saída desejada, até que a rede aproxime uma determinada
função e possa a partir daí oferecer saídas adequadas a vetores de entrada
diferentes daqueles com os quais foi treinada.

O backpropagation padrão é um algoritmo gradiente descendente tal

como a regra da cadeia. Através dele os pesos das conexões entre os neurônios da
rede, são atualizados ao longo de um gradiente descendente de uma
determinada função. O termo backpropagation refere-se a forma como o
gradiente é calculado para redes de múltiplas camadas não lineares.

Existe um número razoável de variações a partir do algoritmo básico, que

são baseadas em técnicas de otimização, tais como o gradiente conjugado e
métodos de Newton.

O algoritmo backpropagation básico tem duas fases, para cada padrão

apresentado:
 Feed-forward  as entradas se propagam pela rede, da camada de
entrada até a camada de saída;
 Feed-backward  os erros se propagam na direção contrária ao fluxo
de dados, indo da camada de saída até a primeira camada escondida.

O backpropagation é o algoritmo de Redes Neurais mais utilizado em

aplicações práticas de previsão, classificação e reconhecimento de padrões em
geral. A Tabela 2 apresenta sucintamente este algoritmo. Maiores detalhes
acerca das diferentes funções de ativação, regra de atualização de pesos e uma
descrição matemática, podem ser encontrados em HAYKIN (1989). Foi
 34

demonstrado por CYBENKO, (1989) que o backpropagation é um aproximador

universal capaz de representar qualquer função.

Tabela 2- Descrição resumida do Algoritmo de aprendizado

backpropagation padrão.

Inicialização
 pesos iniciados com valores aleatórios e pequenos ( w  0.1 );
Treinamento
Loop até que o erro de cada neurônio de saída seja  tolerância, para todos os
padrões do conjunto de treinamento;
1. Aplica-se um padrão de entrada o de entrada Xi com o respectivo
vetor de saída da Yi desejado;
2. Calculam-se as saídas dos neurônios, começando da primeira camada
escondida até a camada de saída;
3. Calcula-se o erro para cada neurônio da camada de saída. Se
erro  tolerância, para todos os neurônios, volta ao passo 1;
4. Atualiza-se os pesos de cada neurônio, começando pela camada de
saída, até a primeira camada escondida.
5. Volta-se ao passo 1 caso a diferença entre a saída da rede e a resposta
desejada seja maior que uma determinada limite, especificado pelo
usuário.

Um dos fatores que influenciam o aprendizado é a forma como ele se dá.

O algoritmo básico pode ser implementado tanto para o aprendizado incremental
quanto para o aprendizado acumulativo.

No modo de aprendizado incremental os pesos são atualizados a cada

apresentação de um novo padrão, ele utiliza o método do gradiente descendente
mas tende a aprender melhor o último padrão apresentado.

No modo de aprendizado acumulativo, também chamado de modo batch,

os pesos são ajustados apenas depois da apresentação de todos os padrões, ou
seja, depois de um ciclo completo na apresentação dos padrões. Muitas das
variações do algoritmo básico utilizam esta forma de aprendizado como tentativa
de acelerar o processo de treinamento da rede.
 35

4.5.2.1 Algoritmo de treinamento rápido

Para um treinamento mais rápido podem-se utilizar diversos artifícios,

entre eles pode-se destacar a taxa de aprendizado variável e os algoritmos de
gradiente conjugado. Existem ainda como alternativa os chamados de métodos
de Newton para treinamento acelerado.

A diferença fundamental utilizada nos métodos de Newton em

comparação ao algoritmo padrão está na matriz Hessiana (segunda derivada) do
índice de erro aos valores atuais de pesos e bias. Os métodos de Newton sempre
convergem mais rápido que os métodos de gradiente conjugado, mas,
infelizmente, o cálculo da derivada segunda é complexo e demorado para
determinar a matriz Hessiana. Assim, utiliza-se uma segunda classe de
algoritmos que, apesar de baseados no método de Newton, não necessitam do
cálculo da derivada segunda, são chamados de métodos Quase-Newton ou ainda
de métodos secantes.

Os métodos Quase-Newton têm sido publicados com sucesso nos estudos

de FLETCHER (1963), GOLDFARB (1970) E SHANNO (1970). Os algoritmos
backpropagation que utilizam essas técnicas são denominados de “BFGS” (as
iniciais dos pesquisadores).

Semelhante aos algoritmos Quase-Newton, o algoritmo Levenberg-

Marquardt foi desenvolvido para aproximar velocidade de treinamento de
segunda ordem sem ter que calcular a matriz Hessiana. Quando a função erro
faz a somatória quadrática, a matriz Hessiana pode ser aproximada como:

H  JT J (11)

E o gradiente pode ser calculado como:

g  JTe (12)

Onde J é a matriz Jacobiana que contém a primeira derivada dos erros

da rede com os respectivos pesos e bias e e é o vetor de erros da rede. A matriz
Jacobiana pode ser calculada através da técnica backpropagation padrão.
 36

O algoritmo Levenberg-Marquardt usa esta aproximação Quase-Newton

para a matriz Hessiana com a seguinte atualização:


xk  a  xk  J T J  I 
1
JTe (13)

Quando o módulo de  é zero, este é o método de Newton e usa a

aproximação da matriz Hessiana. Quando  é grande, isto faz com que o

gradiente descendente tenha um pequeno incremento a cada passo. Os

algoritmos que usam os métodos de Newton são mais rápidos e mais precisos
quanto menor for o erro mínimo desejado no treinamento.

Assim,  é diminuído depois de cada passo bem sucedido (redução do

erro) e só é aumentado quando o erro aumentar. Deste modo, o erro sempre

diminuirá a cada iteração do algoritmo. Este algoritmo aparece na bibliografia
como sendo o método mais rápido para o treinamento de redes neurais de
tamanho moderado. Além disso, encontra-se implementado de forma bastante
eficiente como uma ferramenta do programa MATLAB sob o nome trainlm
(DEMUTH; BEALE, 1997).
 37

5
MATERIAIS E MÉTODOS

Esta pesquisa, em relação ao método, acatou as idéias de John Dewey,

posteriormente difundidas por NORTHROP apud CASTRO (1977) que indicam
que se inicie com uma pergunta, a partir da qual se estruturam as explicações,
hipóteses e a natureza dos dados que possam respondê-las. Assim sendo, as
perguntas que motivaram esta investigação já foram feitas no Capítulo 1 e são
repetidas a seguir:
 Seria possível fazer com que dados observados por receptores
de uma freqüência (L1) possam ser processados de forma a se
obter um nível de precisão similar àqueles gerados por
receptores de dupla freqüência (L1 e L2)?
 Seria possível modelar, estimando o comportamento das
observáveis GPS?
 Qual ferramenta seria adequada a esta modelagem?

5.1 Materiais.

Os dados utilizados em todos os procedimentos de investigação desta

pesquisa referem-se a:

 Arquivos de dados obtidos nos receptores da RBMC, no formato

RINEX, exemplificado na Figura 7, contendo as observáveis L1, C1,
L2, P2 e D1;
 38

 Arquivos de dados GPS no formato RINEX gerados por receptores de

freqüência simples, que observaram em estações cujas coordenadas já
se conhecia de observações anteriores;
 Arquivos de efemérides precisas disponibilizados pelo IGS6;
 Informações sobre atividade solar disponibilizadas pelo NOAA7.

Figura 7 – Fac-símile de trecho de um arquivo RINEX de observação da

estação BOMJ-RBMC.

Para o desenvolvimento do método proposto, buscou-se utilizar

exclusivamente dados e informações disponíveis gratuitamente na Internet,
numa tentativa de que o método possa ser utilizado posteriormente sem a
necessidade da compra de dados além da facilidade e rapidez de acesso a eles.
Adicionalmente, esta característica dos dados permite que o experimento possa
ser reproduzido, a qualquer tempo, a partir de conjuntos de dados diferentes
daqueles utilizados neste experimento.

6 International GPS Service.

7 National Oceanic & Atmospheric Administration.
 39

A aproximação de funções que representem um determinado fenômeno

físico, por vezes sob comportamento não linear, através de RNAs nas quais se
utilizem modelos com aprendizado supervisionado, tal como proposto nesta
investigação, necessitam de um “professor” externo. Ou seja, para que a rede
neural aprenda é necessário ensiná-la e isso é feito através da separação do
conjunto de dados disponíveis em três conjuntos:
1. Treinamento;
2. Validação;
3. Testes.
Como a própria nomenclatura indica, os conjuntos de treinamento e
validação são usados durante o processo de treinamento e o conjunto de testes é
usado já para a obtenção das estimativas. Esta é uma técnica estatística
chamada de validação cruzada, HAYKIN (1999).

A formação de padrões de mapeamento entrada/saída que possibilitou a

preparação dos arquivos, para ensinar a rede neural, incluiu além de dados de
observação, a inserção de dados de posição precisa dos satélites GPS. Estes
dados podem ser obtidos através da Internet como arquivos de efemérides
precisas através, por exemplo, do endereço: ftp://igscb.jpl.nasa.gov/igscb/product,
02/12/2002. Um exemplo destes arquivos é apresentado na Figura 8.
 40

Figura 8 – Fac-símile de trecho de um arquivo de efemérides precisas,

formato SP3, correspondente ao dia 339 do ano 2001.

As efemérides precisas são disponibilizadas como arquivos ASCII, em

formatos específicos. O formato adotado nesta investigação é o SP3. De forma
bastante resumida, pode-se dizer que o arquivo de efemérides traz consigo
informações da posição mais provável dos satélites GPS em intervalos regulares
de tempo. São apresentadas as coordenadas cartesianas X S , Y S , Z S e o erro do

relógio dos satélites. Maiores detalhes sobre este formato podem ser obtidos no
seguinte endereço eletrônico: http://www.ngs.noaa.gov/GPS/SP3_format.html,
02/12/2002.

Inicialmente, os dados retirados ou calculados a partir dos arquivos de

observação das estações que compõem a rede GPS para uma determinada época
foram: o ângulo de elevação de cada satélite, os valores correspondentes à
contagem de ciclos das portadoras L1 e L2, as pseudodistâncias a partir dos
códigos C/A e P2 e posição inicial aproximada da estação ( X R , YR , Z R ). Do arquivo
 41

de efemérides precisas pode-se retirar as coordenadas ( X S , Y S , Z S ) para o

mesmo satélite, à mesma época.

Na verdade esses dados serão utilizados em função das características

dos receptores utilizados pela rede de estações GPS usada para o treinamento da
rede neural. Por isso, por exemplo, se utilizará a pseudodistância P2, mas nada
impede que se utilize a pseudodistância P1, por exemplo, caso seja esse o padrão
dos receptores para treinamento.

A Rede Brasileira de Monitoramento Contínuo (RBMC) é uma rede ativa

composta atualmente de 15 estações, sendo quatorze geridas pelo IBGE8 e uma
pelo INPE9. Possui características necessárias e desejáveis à realização do
experimento, tais como:

 receptores de dupla freqüência e código P

 simultaneidade de operação em diversas estações

 disponibilização gratuita dos dados via rede WWW10

 Posição da estação bem conhecida.

As estações de Fortaleza e Brasília além de comporem a RBMC, também

fazem parte da rede IGS. A localização de todas as estações da RBMC está
ilustrada na Figura 9.

8
Instituto Brasileiro de Geografia e Estatística
9
Instituto Nacional de Pesquisas Espaciais
10
World Wide Web
 42

Figura 9 – Localização das estações RBMC. (Adaptada de

http://www.ibge.net/home/geografia/geodesico/rbmc.shtm. 06/04/2003).

Existe a expectativa da entrada em operação, prevista para 2003, de seis

estações adicionais referentes ao Sistema Integrado de Vigilância da Amazônia,
designado por projeto SIVAM. Estas recobririam os vazios de observação GPS
que hoje ainda persistem na Amazônia Legal e complementariam a RBMC,
perfazendo um total de 21 estações.

Há de se notar que, em se tratando de Amazônia, bem como parte do

nordeste brasileiro, tem de se ter cuidados especiais na utilização de dados GPS.
O equador geomagnético que passa pela Amazônia brasileira, é uma região cuja
camada ionosférica freqüentemente está sujeita à ação dos chamados jatos de
elétrons. Isso pode gerar uma brusca mudança no TEC e este por sua vez pode
ocasionar uma intensa variação em seu índice de refração. Este fato pode
provocar diversos efeitos no sinal GPS que vão desde o atraso até a interrupção
de sua propagação. Maiores detalhes sobre os efeitos ionosfera no sinal GPS
podem ser encontrados em CAMARGO (1999) e FONSECA JUNIOR (2002).
 43

Assim, quando da entrada em operação das estações SIVAM,

necessariamente, terão que se realizar testes no sentido de avaliar a
funcionalidade do método proposto sob condições adversas de atividade solar
geomagnética.

A Tabela 3 contém informações relativas ao estabelecimento da RBMC

desde o início de sua implantação e do gradual acréscimo do número de estações
entre 1993 e 2002.

Tabela 3 – Informações das estações RBMC em maio 2003.

Localização/UF Código IBGE Início de operação

Fortaleza (IGS)/CE FORT 13/05/93
Brasília/DF BRAZ 03/03/95
Curitiba/PR PARA 13/12/96
Presidente Prudente/SP UEPP 18/12/96
Bom Jesus da Lapa/BA BOMJ 18/02/97
Manaus/AM MANA 28/04/97
Viçosa/MG VICO 22/05/97
Cuiabá/MT CUIB 18/06/97
Imperatriz/MA IMPZ 16/02/98
Porto Alegre/RS POAL 28/10/98
Salvador/BA SALV 20/05/99
Recife/PE RECF 06/07/99
Crato/CE CRAT 09/04/00
Rio de Janeiro/RJ RIOD 21/07/01
Santa Maria/RS SMAR 08/11/01

As exigências que limitam o uso do método proposto dependem

diretamente da disponibilidade de dados simultâneos àquele que se pretende
estimar, ou seja, dados de observação dentro de uma determinada região, neste
caso, a área de abrangência da RBMC e efemérides precisas para o dia no qual
foram feitas as observações. Apesar de vários institutos de pesquisa
disponibilizarem as efemérides precisas, aqui se utilizaram aquelas fornecidas
pelo IGS, devido ao seu caráter oficial e também à metodologia utilizada em sua
determinação.

Embora neste trabalho tenham sido usados dados da RBMC, nada

impede que dados de outras redes, implantadas em outros países ou continentes,
sejam utilizados para obtenção de estimativas usando o método proposto,
 44

obviamente, desde que possuam características similares àquelas apresentadas

pela RBMC e aprsentadas anteriormente nesse item.

Como a RBMC foi escolhida como base dos dados, com os quais
efetivamente se constrói o modelo, buscou-se fazer um levantamento estatístico
dos dados gerados pelo IBGE com a finalidade de ratificar o seu uso para esta
aplicação, além de conseguir-se uma visão mais ampla acerca da freqüência e
qualidade de seus dados.

De posse dos dados referentes a todas as estações da RBMC desde a sua

implantação até junho de 2002, pode-se fazer uma seleção no sentido de agrupar
os dados e obter um indicativo sobre quantos e quais dados eleger para proceder
as estimativas neurais.

Este trabalho gerou informações acerca do período mais adequado a

utilizar, quais as estações e dias nos quais havia um maior número de estações
operando simultaneamente. Esses resultados são apresentados em forma de
gráficos na Figura 10.

400
total de dias observados

350

300

250

200

150

100

50

0
vico uepp sav riod recf poal para braz smar cuib bonj crat mana fort impz
Estações RBMC
2000 2001 2002

Figura 10 – Freqüência de observações/estação/ano.

Uma das necessidades do método proposto é a utilização da maior

quantidade disponível de dados, neste caso, dados da RBMC. Este é o motivo
pelo qual não serão utilizados dados anteriores ao segundo semestre de 1999,
função de só estarem em operação no máximo 11 estações. Assim, utilizou-se
para efeito de modelagem e testes, os dados compreendidos entre o ano 2000 e
 45

2002, que foram gentilmente cedidos pelo DEGED11 do IBGE ao Departamento

de Transportes da EESC-USP com a estrita finalidade de pesquisa.

Uma visão geral da simultaneidade de observações das estações RBMC

para o período escolhido, ou seja, os anos de 2000, 2001 e 2002 são ilustrados nas
Figuras 11, 12 e 13 respectivamente. Para o ano de 2002, só se obteve dados até
o dia 307 (03/11/2002).

16

14
N° de estações simultâneas

12

10

0
1 31 61 91 121 151 181 211 241 271 301 331 361
Dias do anos 2000

Figura 11 – N° de estações operando simultaneamente em 2000

16
N° de estações simultâneas

14
12
10
8
6
4
2
0
1 31 61 91 121 151 181 211 241 271 301 331 361
Dias do ano 2001

Figura 12 – N° de estações RBMC operando simultaneamente em 2001.

11
Departamento de Geodésia
 46

14

N° de estações simultâneas
12
10
8
6
4
2
0
1 31 61 91 121 151 181 211 241 271 301 331 361
Dias do ano 2002

Figura 13 – N° de estações RBMC operando simultaneamente em 2002.

5.1.1 Critérios adotados para escolha dos dados e desenvolvimento

do método proposto

Como critério inicial, buscou-se determinar entre o período de 2000 a

2002, os intervalos com o maior número de estações que coletaram dados
simultaneamente. Baseado na estatística de operação simultânea das estações
RBMC, evidenciadas pelas Figuras 11, 12 e 13, adotou-se alguns dias como
dados para a modelagem.

É importante ressaltar que a estação Fortaleza possui características

operacionais que diferem do restante da rede. A principal diferença está na taxa
de coleta dos dados. Em todas as estações da RBMC a taxa de coleta é de 15
segundos exceto para Fortaleza que possui taxa de coleta de 30 segundos. A taxa
de 15 segundos é de particular interesse para o desenvolvimento do método
proposto, pois quanto menor a taxa de coleta, maior será a quantidade de dados
(padrões de entrada) disponíveis para treinamneto da rede para pequenas
intervalos de tempo, o que certamente concorrerá para uma melhor
generalização da rede.

FAZAN (2002), submeteu os dados gerados pela RBMC a uma série de

testes com o objetivo de verificar a sua qualidade e constatou que a estação de
Fortaleza apesar de possuir uma freqüência diária dentro do mesmo padrão das
 47

outras estações, possui um aproveitamento das observações relativamente

menor que as demais.

Estas duas características da estação Fortaleza fizeram com que as

observações geradas por ela fossem ignoradas durante o processo de modelagem,
o que não chega a prejudicar a aplicação do método, pois existe uma outra
estação que cobre a mesma área, a estação CRAT, localizada em Crato-Ce.

A Tabela 4 resume esses dados, já considerando a exclusão da estação de

Fortaleza.

Tabela 4 – Resumo dos dados escolhidos para modelagem.

Data Dia Semana N° de Atividade Solar

GPS GPS estações (Emissão de raios-X)
12/05/2000 133 1061 13 Baixa com eventos de alta
17/05/2000 138 1062 13 Média com eventos de alta
18/05/2000 139 1062 13 Moderada com eventos de alta
13/11/2001 317 1140 14 Baixa com eventos de alta
25/11/2001 329 1142 14 Baixa
05/12/2001 339 1143 14 Baixa
29/01/2002 29 1151 12 Moderada
07/02/2002 38 1152 12 Moderada
08/03/2002 67 1156 12 Moderada com eventos de alta

Além disso, buscou-se distribuir os dados em diferentes meses dos anos

numa tentativa de validar o método proposto independente do período no qual os
dados foram observados, o que comprovará a eficácia da modelagem proposta sob
diferentes períodos de observação, conjuntos de estações e condições de atividade
solar.

De acordo com os critérios adotados por LEANDRO (2003), o índice de

emissão de raios-X pode ser utilizado para estimar a atividade solar
classificando-a, por exemplo, em alta, moderada ou baixa. Entretanto, essa é
uma classificação relativa, pois a emissão de raios-X é apenas uma dentre várias
grandezas que podem ser levadas em consideração, como a emissão de
partículas, fluxo de ondas de rádio e número de manchas solares representado
pelo número Sunspot.
 48

Em janeiro de 2003 o sol passou por um período de alta intensidade que

teve seu ápice entre 2000 e 2001. Assim, mesmo os períodos considerados de
baixa intensidade são de alta quando comparados ao período próximo a 1997,
considerado um período de calmaria como pode ser visto na Figura 14 para o
atual ciclo solar (ciclo 23).

Figura 14 – Representação gráfica do número Sunspot do Ciclo Solar

23. (Fonte: http://www.sec.noaa.gov/SolarCycle/index.html, 28/01/2003.)

As emissões solares de raios-X podem ser avaliadas a partir de dados e

gráficos, obtidos em relatórios de índices geofísicos e solares, medidos através do
satélites GOES-X e disponibilizados na Internet pelo National Oceanic and
Atmospheric Administration (NOAA) sob o endereço:
http://www.sec.noaa.gov/weekly/, 28/01/2003.

5.2 Metodologia

De posse de todas as informações e dados descritos no item 5.1, pôde-se

delinear a seqüência de etapas, regras de procedimentos e estratégias de
processamento adotadas no curso da investigação.
 49

Devido a algumas restrições relativas a observação simultânea das

estações RBMC, o conjunto de dados escolhido está exatamente em um período
no qual ocorrem os máximos da atividade solar no atual ciclo. Este fato
possibilitará, caso a hipótese inicial seja validada, que se comprove que o método
proposto funciona, mesmo sob intensa atividade solar, que provoca variações
bruscas no TEC e este por sua vez, na propagação do sinal GPS.

5.2.1 Etapas realizadas nesta investigação

1. Revisão Bibliográfica;
2. Busca e definição das estações GPS com receptores L1/L2 e código P
que possam ser utilizadas sistematicamente para treinamento da
rede neural;
3. Busca e ou implementação do algoritmo neural que melhor se
adaptou à extrapolação e interpolação para estimativas de dados
GPS;
4. Criação e montagem do padrão de entradas mais representativo com
dados obtidos de tal forma a se obter, como respostas, um conjunto de
L2 e ou P2 por satélite/época;
5. Desenvolvimento de aplicativos que possibilitem:
a. Ler e extrair de um conjunto de arquivos de dados GPS, para um
determinado conjunto de épocas específicas (240 épocas por hora a
cada 15 segundos);
b. Ler e extrair de um arquivo de efemérides precisas através de
interpolação os dados de posição para cada a cada 15 segundos;
c. A partir das informações obtidas no arquivo GPS e também de
efemérides precisas, construir um arquivo com os padrões de
entradas e saídas para treinamento da rede (aprendizado
supervisionado) adaptado a diferentes formatos de saída;
d. Garantir aleatoriedade quando da apresentação dos padrões à
rede e se necessário, transformar e normalizar os dados;
6. Implementação e testes com o algoritmo escolhido;
 50

7. Implementação de aplicativo para agregação ao arquivo GPS original,

dos dados de L2 e P2 estimados pela RNA, gerando um arquivo
RINEX modificado por estimativas neurais;
8. Validação e testes do método proposto:
a) Observação com receptor GPS de dupla freqüência e código P em
pontos que possibilitem o processamento de vetores com
diferentes comprimentos de linhas base (curta, média e longa);
b) Aplicação do método a esta observação, com a geração e
agregação de estimativas neurais;
c) Processamento por ponto simples do arquivo original;
d) Processamento por ponto simples do arquivo modificado;
e) Processamento relativo do arquivo original;
f) Processamento relativo do arquivo modificado;
g) Processamento PPP do arquivo original;
h) Processamento PPP do arquivo modificado;
i) Comparação e análise dos resultados obtidos nos diversos
processamentos para as estações teste.

5.2.2 Procedimentos adotados

Sabidamente a busca de procedimentos de experimentação exeqüíveis e

adequados que conduzam mais rapidamente à validação ou refutação das
hipóteses levantadas é uma constante em todo o método de investigação, porém,
nem sempre é possível que isso ocorra.

Tentou-se nesta pesquisa seguir uma seqüência lógica, buscando-se

vencer, sem que fosse queimada nenhuma das etapas previstas inicialmente. Na
verdade, houve uma série muito maior de tentativas que aquelas explicitadas
até aqui. Porém, objetivando deixar a versão final mais resumida, só foram
documentadas aquelas que se mostraram relevantes no decorrer da
investigação.
 51

5.2.2.1 Formação dos conjuntos de dados para treinamento,

validação e testes do modelo neural.

Inicialmente criou-se, a partir dos dados disponíveis e escolhidos,

diversos subconjuntos de dados que pudessem representar diferentes
combinações de mapeamento entradas/saídas, períodos de observação em horas e
agrupamentos espaciais das estações RBMC.

Faz parte das suposições iniciais que os algoritmos de redes neurais que
utilizam o conceito de aprendizado supervisionado, conseguissem gerar
estimativas adequadas a esta modelagem. Assim, decidiu-se iniciar com o
modelo backpropagation, o mais difundido entre os modelos neurais conhecidos e
bastante utilizado devido a sua excelente capacidade de generalização.

O modelo backpropagation aplicado a uma rede de múltiplas camadas

conhecida como MPL necessita, além da definição do mapeamento
entradas/saídas, da definição do número de camadas intermediárias, do número
de neurônios em cada camada e dos parâmetros de treinamento. A esta
organização em camadas dá-se o nome de Topologia da Rede.

A definição da Topologia da Rede Neural é uma das maiores dificuldades

na modelagem neural, mas é também um passo importante na sua concepção,
pois ela limita o tipo de problema que pode ser abordado pela rede. Assim, para
se obter uma boa generalização, deve-se proporcionar à rede a maior quantidade
possível de informação. Mas isso implica também em construir uma topologia
com uma grande quantidade de neurônios, o que acarreta um outro problema, a
complexidade computacional que limita o uso em relação a tempo de
processamento e espaço (tamanho de arquivos).

Normalmente, uma topologia adequada é obtida través de sucessivos

refinamentos a partir da definição de uma topologia inicial. Esse modo de definir
a topologia pode consumir um tempo considerável, fruto do empirismo
empregado nesse método, sem que chegue a chamada “topologia ideal”.

Buscando-se diminuir a um mínimo adequado o número de neurônios e,

por conseguinte, as conexões entre eles, deve-se fazer uso de algoritmos de
otimização sempre que possível. Uma tentativa nesse caminho é a utilização de
 52

algoritmos genéticos combinados a RNAs para otimizar topologia e parâmetros

de treinamento da rede. Estes parâmetros podem incluir as funções de ativação,
taxa de aprendizado e o termo momento.

Há um projeto de doutoramento em andamento, ligado ao Instituto de

Ciências Matemáticas e Computação do Campus da USP em São Carlos - SP,
que se propõe ao desenvolvimento de um método de otimização de topologias
para RNAs utilizando computação distribuída, algoritmos genéticos e RNAs
para varrer parte do espaço possível de topologias e parâmetros na busca da
topologia mais adequada aos dados disponíveis. Como este projeto ainda está em
desenvolvimento, não foi possível fazer os testes usando esta abordagem.

Foram realizados diversos testes no sentido de orientar a busca da

topologia ideal, mais adequada à generalização do problema em questão. Estes
testes referem-se a várias topologias diferentes, com variação nos parâmetros
durante o treinamento, incluindo a combinação dos elementos abaixo, o que gera
um número considerável de diferentes topologias a serem testadas:

 Quantidade de neurônios de entrada: 1, 2, 3, 5 e 6;

 Quantidade de neurônios de saídas: 1 e 2;
 Quantidade de camadas intermediárias: 1, 2, e 3;
 Quantidade de neurônios por camada intermediária: 2,3, 4, 5, 7, 10,
13, 15, 20, 25, 30 e 50.

Realizaram-se testes em todos os subconjuntos de dados, buscando

encontrar o melhor conjunto de parâmetros de treinamento com as seguintes
variações:

 Taxa de aprendizado (), variando entre 0; 0,1; 0,2; 0,3; 0,5 e 0,9;
 Termo momento (), variando entre 0,0; 0,1; 0,2; 0,3; 0,4; 0,5; 0,6; 0,7;
0,8 e 0,9;

5.2.3 Estratégias de Processamento

Os processamentos tanto neurais quanto GPS foram realizados através

de diferentes programas na tentativa da obtenção de respostas adequadas em
 53

um tempo de processamento aceitável, ou seja, que não impedisse a utilização

sistemática do método, podendo chegar no máximo a 30 minutos.

5.2.3.1 Árvore de testes para definição da topologia adequada à

melhor generalização da rede neural

No caso do processamento neural, realizou-se testes com o EasyNN

versão 8.01, um programa comercial desenvolvido e comercializado por Stephen
Wolstenholme para treinamento e generalização utilizando o algoritmo
backpropagation em redes de múltiplas camadas. Este programa não pode ser
utilizado em função da sua pouca flexibilidade em relação às saídas da rede.

Tentou-se também a utilização do SNNS12 versão 4.2, que é um simulador

neural implementado e distribuído gratuitamente pelo Institute for Parallel and
Distributed High Performance System of University of Stuttgart sob o endereço:
http://www-ra.informatik.uni-tuebingen.de/SNNS/.

O SNNS foi utilizado com bastante eficácia em função das grandes

possibilidades que ele oferece em termos de flexibilidade na criação e
modificação de topologias e parâmetros. Além disso, possui implementados
eficientes modelos neurais. Na maioria dos testes realizados nesta etapa, foi
possível usá-lo com sucesso. Apesar dessas características, o SNNS não foi capaz
de preencher todas as expectativas e necessidades específicas desta investigação.
Assim, buscou-se implementar o modelo algoritmo backpropagation, de forma
que fossem atendidas as exigências específicas desta modelagem de dados.

Estas exigências referem-se principalmente a sua capacidade de

generalização com saídas estimadas com um número mínimo em termos de
algarismos significativos que fosse compatível com o nível de normalização
exigido e que pudesse após a desnormalização atingir-se uma precisão
compatível com as observáveis GPS originais.

Ocorre que o algoritmo backpropagation possui algumas características

que tornam o aprendizado lento, por vezes estabilizando a solução final em
12
Stuttgart Neural Network Simulator
 54

mínimos locais. Isto aliado à ineficiência das implementações realizadas,

provavelmente em uma linguagem inadequada, tornaram inviável a utilização
do algoritmo implementado.

Na literatura foram encontradas diversas variações deste algoritmo com

a finalidade de resolver estes e outros problemas de convergência. Algumas
destas variações, inclusive o algoritmo backpropagation Levenberg-Marquardt.
(que foi utilizado para resolver este problema) e que encontram-se descritos no
item 4.5.2.1 deste documento.

Escolheu-se então o programa MATLAB versão 6.1, que possui um pacote

de ferramentas adequadas a simulação de RNAs, denominado de Neural
Network Toolbox for Use in MATLAB, cujo algoritmo em questão se encontra
implementado.

Adicionalmente, o MATLAB permite que sejam feitas alterações no

sentido de se obter um número de significantes desejado na saída da rede
neural. A grande flexibilidade na manipulação e formatação de arquivos e
diversidade de algoritmos implementados eficientemente o elegeram
definitivamente como forma de simulação neural a ser usada nesta pesquisa em
conjunto com as implementações já realizadas em Visual Basic versão 5.0.

Para cada conjunto foram gerados os seguintes arquivos de treinamento e

teste segundo a seguinte estratégia: data/período/tipo/número de
entradas/número de saídas. Para efeito de nomenclatura adotou-se a seguinte:

 L1 é a diferença da contagem de ciclos da portadora L1 entre épocas

consecutivas de 15 segundos;
 L2 é a diferença da contagem de ciclos da portadora L2 entre épocas
consecutivas de 15 segundos;
 C1 é a pseudodistância a partir do código C/A tomada a cada 15
segundos;
 P2 é a pseudodistância a partir do código P2 a cada 15 segundos;
 AE é o ângulo de elevação de cada satélite a cada época de 15
segundos;
 55

 X S , Y S , Z S são as coordenadas do satélite para épocas múltiplas de

15 segundos, obtidas através da interpolação de Lagrange das
efemérides precisas.

Dentro de todos os dados escolhidos, o ano de 2001 apresenta o maior

número de estações simultâneas. Assim, o dia 05/12/2001 foi o escolhido.

Avaliação da influência do mapeamento entradas/saídas, nestes testes

avaliou-se o comportamento da rede quando se alteravam a quantidade os tipo
de entradas e saídas:

 (05/12/2001)/1 h/geral/1 entrada(L1)/ 1 saída(L2);

 (05/12/2001)/1 h/geral/1 entrada(C1)/ 1 saída(P2);
 (05/12/2001)/1 h/geral/2 entradas(L1; AE)/ 1 saída(L2);
 (05/12/2001)/1 h/geral/2 entradas(C1; AE)/ 1 saída(P2);
 (05/12/2001)/1 h/geral/3 entradas (L1; C1; AE)/ 2 saídas(L2; P2);
 (05/12/2001)/1 h/geral/5 entradas(L1; AE; Xs; Ys; Zs)/ 1 saída( L2);
 (05/12/2001)/1 h/geral/5 entradas(C1; AE; Xs; Ys; Zs)/ 1 saída( P2);
 (05/12/2001)/1 h/geral/6 entradas(L1; C1; AE; Xs; Ys; Zs)/ 2 saídas
(L2; P2).

Após a determinação da topologia mais adequada, pôde-se avaliar a

influência do período de observação, ou seja: Com quantas horas de observação
deve ser treinada a RNA para conseguir uma precisão adequada nas
estimativas?

 (05/12/2001)/1 hora/geral/melhor ou melhores arquiteturas;

 (05/12/2001)/2 horas/geral/ melhor ou melhores arquiteturas;
 (05/12/2001)/6 horas/geral/ melhor ou melhores arquiteturas;
 (05/12/2001)/12 horas/geral/ melhor ou melhores arquiteturas;
 (05/12/2001)/24 horas/geral/ melhor ou melhores arquiteturas.
 56

Após a determinação da topologia e período de observação, mais

adequados, pôde-se avaliar a influência do tipo de agrupamento das estações
RBMC, se global ou regional.

 (05/12/2001)/melhor período/global/melhor arquiteura;

 (05/12/2001)/melhor período/norte/ melhor arquitetura;
 (05/12/2001)/melhor período/nordeste/ melhor arquitetura;
 (05/12/2001)/melhor período/centro-oeste/ melhor arquitetura;
 (05/12/2001)/melhor período/sul e sudeste/ melhor arquitetura.

Definidas as melhores generalizações, se geral ou regional, pode-se então

comprovar a independência do método proposto, através de repetição para outros
conjuntos de dados obtidos em diferentes datas e para diferentes conjuntos de
estações:

 (12/05/2000)/melhor período/ melhor tipo/ melhor arquitetura;

 (17 /05/2000)/melhor período/ melhor tipo/ melhor arquitetura;
 (18 /05/2000)/melhor período/ melhor tipo/ melhor arquitetura;
 (13 /11/2001)/melhor período/ melhor tipo/ melhor arquitetura;
 (25 /11/2001)/melhor período/ melhor tipo/ melhor arquitetura;
 (29 /01/2002)/melhor período/ melhor tipo/ melhor arquitetura;
 (07 /02/2002)/melhor período/ melhor tipo/ melhor arquitetura;
 (08 /03/2002)/melhor período/ melhor tipo/ melhor arquitetura.

5.2.3.2 Processamentos dos dados GPS

Neste trabalho o objetivo do processamento GPS tem única e

exclusivamente um caráter avaliativo que permita a comparação entre o
processamento dos arquivos com dados originais e os arquivos cujos dados são
frutos de estimativas neurais.

Assim sendo, não se pretende fazer nenhum tipo de análise ou

comparação de estratégias de observação, posicionamento e processamento entre
diferentes programas, mas, utilizá-lo apenas como forma de oferecer resultados
 57

claros e objetivos em termos da influência no posicionamento de estações que

tenham sido submetidas ao método proposto.

Seguindo essa conduta, adotou-se o programa SKI-Pro versão 2.1 (GPS

Pos-processing Software) e também o programa SKI versão 2.3, ambos
desenvolvidos e comercializados pela Leica Geosystems e disponíveis no
Laboratório de Mensuração do Departamento de Transportes-EESC-USP.

5.3 O Programa MORE-GPS versão 1.0 – Manipulação e

Modelagem de Observáveis GPS por Redes Neurais Artificiais

Não foi intencional a idéia de se desenvolver e implementar um sistema,

mas a premente necessidade de agilizar a pesquisa acabou por obrigar seu
desenvolvimento. Ainda que tenha sido fruto da mais estrita necessidade e que
permaneça em constante estado de transformação, se adaptando às necessidades
que surgiram e certamente ainda surgirão, é uma ferramenta capaz de ajudar
bastante aqueles que se lançarem à investigações que necessitem da
manipulação de dados GPS.

O programa MORE-GPS é um sistema composto de diversos aplicativos,

desenvolvidos e implementados em linguagem Visual Basic versão 5.0, com a
finalidade de possibilitar a manipulação de um conjunto de arquivos de dados
GPS de uma e duas freqüências e de efemérides precisas. Atualmente não é
possível a utilização das efemérides transmitidas, função da forma como se
implementou o programa, mas é uma modificação possível e desejável para
trabalhos futuros. Adicionalmente, é capaz de gerar arquivos em formato
específico para treinamento e testes de redes neurais e finalmente agregar estas
estimativas obtidas a partir de uma rede neural a um determinado arquivo de
dados GPS.

A manipulação desses arquivos diz respeito à leitura, extração e

transformações dos diversos dados que possibilitem a montagem de um conjunto
de padrões de entrada/saída, necessários ao treinamento supervisionado na
simulação de uma rede neural.
 58

O programa MORE-GPS permite ainda o uso de uma ferramenta padrão

em estatística, que pode ser utilizada para desenvolver o aprendizado
backpropagation, conhecida como validação cruzada, STONE (1974,1978) apud
HAYKIN (1999). Inicialmente o conjunto de dados disponível é randomicamente
dividido em um conjunto de treinamento e um conjunto de teste. O conjunto de
treinamento é subdividido em dois subconjuntos: o de treinamento utilizado para
selecionar e treinar o modelo e o de validação, utilizado para testar ou validar o
modelo.

A motivação da validação cruzada é ratificar a eficiência do modelo

neural com um conjunto de dados diferente daquele que foi utilizado para
treinamento. Após a rede ter sido treinada e validada, ela é testada com um
conjunto de dados que nunca lhe tenha sido apresentado para testar sua
capacidade de generalização.

Uma vez gerados os arquivos de treinamento e testes, pode-se treinar

uma ou diversas topologias neurais. Quando a rede estiver adequadamente
treinada, ou seja, com o erro menor ou igual aquele necessário para que se atinja
uma precisão mínima adequada. Pode-se apresentar a ela os dados de uma
estação qualquer dentro da área onde se retiraram os dados para treinamento
da rede neural com a finalidade de se obter estimativas adequadas.

Este mapeamento entradas/saídas resultará em um arquivo que pode ser

manipulado pelo MORE-GPS para que sejam revertidas todas as transformações
a que foram submetidos os dados originais e depois agregados ao arquivo GPS
original, dando origem a um arquivo modificado que possuirá o formato RINEX
versão 2.1, com a única diferença que a ele foram agregadas estimativas neurais.

Este arquivo modificado poderá então ser utilizado em diferentes

condutas de processamento de dados GPS para que se obtenham as coordenadas
de uma determinada estação.

O programa MORE-GPS versão 1.0 é um programa compatível com o

sistema operacional Windows e oferece uma interface amigável com o usuário.
Apesar da necessidade, ainda não foi possível construir um guia do usuário, mas
certamente o será em trabalhos futuros.
 59

A Figura 15 representa a tela de inicialização do programa e a Figura 16

ilustra a tela principal dos aplicativos de extração, manipulação, geração de
arquivos de padrões de treinamento e testes, conversões de formatos e também
de agregação de estimativas neurais.

Figura 15 – Tela de inicialização do programa MORE-GPS

Figura 16 – Tela principal do programa MORE-GPS

 60

A tela principal do MORE-GPS, representada pela Figura 16, além de

possibilitar a abertura e manipulação de arquivos de dados GPS e de efemérides
precisas, ainda é a tela de chamada dos outros aplicativos que compõem o
programa, tais como a geração dos arquivos em formato MATLAB (.m files) com
estensão (*.m) utilizados para treinamento e estimativas neurais. Possui
também a interface para a geração de arquivos fonte e arquivos RINEX.

Os arquivos fonte com extensão (*.crn) são arquivos intermediários,

adaptados a um formato específico para posterior geração do arquivo RINEX
modificado. Os arquivos fonte possuem as informações de cabeçalho do arquivo
original, com as devidas modificações para adaptá-lo à agregação das
estimativas, mas permite ao usuário modificar, caso deseje, diversas informações
do cabeçalho do arquivo a ser gerado. Possuem também as observáveis originais
L1 e C/A e as observáveis estimadas L2 e P2. O módulo CRINEX lê o arquivo
fonte e o converte ao formato padrão RINEX versão 2.1.

O menu é composto basicamente por Projeto, Opções e Sobre. O item

Projeto abre a possibilidade de se criar um projeto novo, abrir um projeto
existente ou salvar um projeto. Estas opções foram criadas em função da
facilidade de armazenar juntos, arquivos utilizados pelo programa durante sua
execução. Isso permite que sejam organizados em projetos diversos trabalhos
diferentes e facilita a manipulação de dados diversas vezes, bastando para isso
abrir um projeto gerado anteriormente.

O item Opções proporciona toda a manipulação de arquivos GPS e

efemérides, abertura, inclusão e exclusão, com visualização em tela de nome da
estação e data de sua observação, com habilitação ou retirada interativa do
processamento. Uma importante observação diz respeito a esse item. Os
arquivos de observação e navegação da RBMC referentes ao dia que se deseja
estimar, devem estar todos em um mesmo diretório, lá também devem estar o
arquivo de observação e navegação da estação que se deseja estimar e o arquivo
de efemérides precisas referente a esse dia em formato SP3.

O programa entende que depois de escolhidos todos os arquivos de

observação (inclusive o arquivo a ser estimado) e o arquivo de efemérides
 61

precisas ou de carregar um projeto com essa escolha já feita, o arquivo a ser

estimado será aquele que estiver sem o sinal de check na lista de estações. É
fundamental que o usuário retire o sinal de check da estação desejada.

O item Gerar padrões autoriza ainda a geração e ou conversão de

arquivos em formatos específicos adequados ao treinamento neural tanto pelo
SNNS quanto pelo próprio aplicativo neural MORE-GPS ou um formato
específico para testes que não puderam ser realizados. Além disso, ainda
permite a saída em um formato matricial geral, ad-equado ao treinamento
neural através do MATLAB.

O programa permite a normalização dos dados dentro de um intervalo

especificado pelo usuário. Aceita que seja escolhido um intervalo de tempo
dentro daquele em que foram realizadas as observações GPS, e este pode ser
diferente para o conjunto de treinamento e teste. Possibilita a aleatoriedade dos
dados se necessário e a escolha de quais observáveis ou dados serão utilizados na
montagem desses arquivos.

Como se sabe, os valores numéricos no arquivo RINEX relativos à

contagem de ciclos das portadoras L1 e L2 não tem nenhuma significância se
tomados como valores absolutos, na verdade o que interessa de fato são as
diferenças entre esses valores para o mesmo satélite entre duas épocas
consecutivas. Entretanto, a contagem inicial destes ciclos pode ser um número
qualquer. Este fato dificulta o uso destes dados para o treinamento da rede
neural.

Uma rede neural necessita, via de regra, que os dados passem por um
pré-processamento no sentido de aplicar transformações visando um bom
desempenho no processo de aprendizagem neural e a estabilidade do algoritmo
backpropagation durante o processamento. Dentre as transformações, a mais
comum é a normalização, que coloca todos os dados comprimidos dentro de um
intervalo entre 0 e 1 ou entre -1 a 1.

A operação inversa da normalização é realizada com a aplicação do fator

de normalização, fazendo com que eles voltem a ter a mesma amplitude inicial.
Porém, se este fator de normalização for muito grande, pode ser que mesmo se
 62

alcançando valores muito bons nas estimativas neurais, ainda assim as

estimativas excedam um limite ótimo em termos de precisão. Estes limites são
específicos do problema que se deseja tratar.

Especificamente, neste caso onde os dados possuem uma grande

amplitude, foi necessário, além de se descartar o valor inicial da contagem de
ciclos das portadoras, diminuir ao máximo possível o fator de normalização. Isso
foi conseguido com o uso do artifício “Quebra de contagem” implementado no
programa.

A “Quebra de contagem” é a inclusão forçada de falsas perdas de ciclos

com o objetivo de “zerar” o contador de ciclos das portadoras. Este recurso
permite que a um intervalo escolhido pelo usuário a contagem de ciclos não
passe de um determinado limite, limitando assim a amplitude dos valores
absolutos das contagens e por conseguinte, reduzindo o fator de normalização.

O segundo recurso também utilizado com o objetivo de diminuir o fator de

normalização das observáveis foi denominado “Truncagem” e, como o próprio
nome indica, possibilita que o usuário possa truncar os valores das observáveis
deixando-as com um número de casas determinadas por ele.

O programa libera também o uso dos valores absolutos da contagem de

ciclos das portadoras ou as diferenças de contagem entre épocas consecutivas,
esta segunda foi a utilizada neste trabalho, função da melhor capacidade de
generalização da rede, diminuindo os erros relativo ao conjunto de treinamento e
testes, o que ocasiona estimativas mais próximas dos valores reais.

Implementou-se ainda aplicativos que não fazem parte dessa versão do

programa MORE-GPS. São eles os aplicativos de simulação neural
implementados em Visual Basic, onde se autoriza a definição da topologia da
rede, a escolha dos parâmetros de treinamento, treinamento e estimativas,
através do algoritmo backpropagation padrão.

A não utilização dos referidos aplicativos neurais ocorreu principalmente

em função das dificuldades de convergência do algoritmo backpropagation
padrão, objeto da implementação. Além do fato de que com freqüência o
 63

algoritmo estabiliza o processo de aprendizagem, não mais diminuindo os erros

do treinamento (são os chamados mínimos locais), existe também o problema do
tempo de treinamento, ou seja, é um algoritmo lento, principalmente em se
tratando de um grande conjunto de dados, como o que é gerado pelo método
proposto.

Certamente, todos estes aplicativos de manipulação de dados GPS podem

ser melhorados e o algoritmo backpropagation otimizado, mas não é objetivo
desta investigação o acesso e domínio de diversas linguagens de programação,
mas que se consiga gerar ferramentas adequadas e eficazes à execução da
investigação.

É provável que esta limitação, se reflita em um sistema com programas

pouco eficientes, geridos por algoritmos que poderiam ser em muito melhorados
se otimizados e talvez implementados em linguagens diferentes daquela aqui
utilizada. Porém, ainda assim, aquilo que já foi feito pode conduzir ao propósito
de comprovar ou refutar as hipóteses. A Figura 17 representa um fluxograma
descritivo do programa MORE-GPS.
 64

Figura 17 – Fluxograma descritivo do programa MORE-GPS

 65

6
APRESENTAÇÃO DOS RESULTADOS

Confirmando as expectativas iniciais, apesar de se ter testado diversos

tipos de redes, tais como a rede Elman backpropagation, a rede backpropagation
cascade forward e a rede de regressão generalizada, o modelo backpropagation
feed-forward foi mais adequado para que fossem produzidas saídas esperadas,
neste caso, contagem de ciclos da portadora L2 e a pseudodistância P2, durante
o processo de aprendizagem da rede com o menor erro possível.

Objetivando-se contornar os problemas que com freqüência ocorrem com o

treinamento a partir deste algoritmo, principalmente a lentidão na convergência
para um resultado satisfatório, utilizou-se uma variação desse algoritmo
denominada de Levemberg-Marquardt. Este algoritmo encontra-se
implementado no Neural Network Toolbox do MATLAB 6.1.

6.1 A topologia escolhida

Tornou-se impossível adotar uma conduta mais lógica e racional que

aquela adotada aqui na busca e definição da topologia ótima da rede neural.
Uma topologia que convergisse para um erro mínimo em um menor tempo de
processamento. A topologia adotada nestes resultados e tomada como mais
adequada, foi aquela possível de se encontrar dentro das limitações de tempo
disponível para a execução dos sucessivos refinamentos necessários.

Durante meses testou-se dezenas, seguramente mais de uma centena de

topologias diferentes, fruto das combinações descritas no item 5.2.2.1. Este modo
 66

de definir a topologia despende um tempo considerável e ainda assim é bastante

provável que haja uma combinação não testada que responda melhor às
expectativas de generalização e tempo de convergência que aquela adotada.

Ficou evidente durante a execução da árvore de testes, que não se poderia

usar todas as informações retiradas inicialmente do arquivo RINEX original
para compor os vetores de padrões de entrada. A árvore de testes mostrou
claramente que, à medida que se acrescentavam elementos neste vetor,
diminuía a capacidade de generalização da rede. Optou-se então por deixar como
padrões de entradas, apenas a contagem de ciclos da portadora L1 e a
pseudodistância C/A e, como saída, a contagem de ciclos da portadora L2 e a
pseudodistância P2. Ainda assim a generalização ficou bastante aquém daquelas
observadas quando o vetor de entrada era composto por apenas um elemento.

Dcidiu-se então fazer estimativas separadas para contagem de ciclos e

pseudodistância. Ocorre que isto implicou em dobrar a quantidade de redes e
estimativas. Para um mesmo período, uma rede para estimar L2 a partir de L1 e
outra rede para estimar P2 a partir de C/A.

Após a realização de uma outra extensa árvore de testes e varrer uma

parte significativa do espaço possível, onde deveriam estar as topologias
possíveis, obviamente, baseando-se em uma relação custo/benefício. Entenda-se
como custo o tempo de convergência e como benefício o erro mínimo no conjunto
de treinamento e principalmente no conjunto de teste.

Apesar de se ter feito diversos testes com duas e três camadas

intermediárias, adotou-se uma topologia simples, com apenas uma camada
intermediária de 6 ou 30 neurônios, dependendo se o treinamento for para fase
ou pseudodistância, respectivamente. Esta escolha baseia-se no fato do aumento
do número de camadas intermediárias não resultar em acréscimo no tempo de
treinamento. Esta decisão foi providencial em função da necessidade de dar
rapidez ao método. Já que, à medida que se aumenta o número de camadas e o
número de neurônios em cada camada, o tempo despendido no processamento da
rede cresce de forma exponencial.
 67

Um exemplo dessa afirmação pode ser visto na comparação entre as

Figuras 18 e 19, que ilustram respectivamente o desempenho alcançado por
duas redes treinadas com o mesmo conjunto de dados. O conjunto de dados é
composto por cinco minutos de observação, de treze estações RBMC, coletados
simultaneamente no dia 05/12/2001. Devido ao reduzido intevalo de observação,
o tempo de processamento em ambos os casos tornou-se insignificante, variando
de poucos segundos até 3 minutos.

Pode-se calcular através da aplicação de estatística diversos índices que

demonstram o desempenho do processo de aprendizado durante o treinamento
da rede. Adotou-se aqui o MSE, do inglês Mean of Squared Error, pode ser
definido como:
SSE
MSE  (14)
n p

Onde:

SSE = Somatória dos erros quadráticos do treinamento, que pode ser

entendido como as diferenças quadráticas entre os valores de saída da
rede neural e os valores esperados como ideais;
n = Número de exemplos do conjunto de treinamento (quantidade de
padrões);
p = Número de parâmetros a serem estimados (quantidade de pesos da

rede).

Note-se que estes critérios são adequados para modelos lineares.

Entretanto, algumas vezes podem ser aplicados diretamente a modelos não
lineares caso se esteja trabalhando com um número grande de exemplos de
treinamento (JUDGE, 1980).
 68

Figura 18 – Desempenho rede 1:6:1 para 5 minutos de observação

2151 Ciclos de treinamento

Figura 19 – Desempenho rede 1:10:1 para 5 minutos de observação

 69

A Tabela 5 ratifica a escolha da topologia 1:6:1, a que apresenta o menor

MSE, como aquela a ser utilizada para a aproximação de funções que
aproximem a observável fase. Além disso, é um exemplo comparativo entre
algumas das topologias testadas para dois minutos de treinamento.

Tabela 5 – Comparativo entre diferentes topologias testadas para fase.

Rede 1:3:1 1:5:1 1:6:1 1:7:1 1:10:1 1:15:1 1:25:1 1:50:1

Ciclos 4500 2856 2576 2546 2151 1551 751 261
MSE 2,9.e-11 7,9e-12 3,7e-12 3,9e-12 1,4e-10 2,1e-11 7,8e-12 5,9e-12

Há de se notar que apesar das diferenças de desempenho em relação ao

tempo de treinamento e convergência, todas as topologias possuem uma
excelente capacidade de generalização, que alcança um erro médio quadrático da
ordem de 3,7e 12 para um curto período de treinamento para a generalização da

fase.

Em se tratando da observável pseudodistância a partir dos códigos C/A e

P2, o comportamento em relação à topologia difere um pouco da topologia
adotada para a generalização da observável fase, pois os resultados e as
conclusões em relação a qual topologia utilizar para sua generalização foram
diferentes.

A pseudodistância é inerentemente mais ruidosa que a fase, ou seja, a

pseudosistância é calculada a partir de informações obtidas no código que se
encontra modulado na portadora, mais afetada pela gama de erros inerentes ao
processo de propagação do sinal, já a fase é medida pelo receptor através de um
processo de sincronização entre os sinais recebidos dos satélies e sinais gerados
internamente pelo receptor. Isto deve explicar a diferença de comportamento no
treinamento das redes, necessitando de uma quantidade maior de neurônios na
camada intermediária. A Tabela 6 apresenta um comparativo de algumas
topologias testadas para a pseudodistância.
 70

Tabela 6 – Comparativo entre diferentes topologias testadas para

código.

Rede 1:3:1 1:5:1 1:6:1 1:7:1 1:10:1 1:15:1

Ciclos 3836 2191 2147 2105 1581 1156
MSE 5,2.e-9 4,9e-9 4,9e-9 4,9e-9 4,8e-9 4,4e-9

Rede 1:25:1 1:30:1 1:35:1 1:40 1:50:1 1:100:1

Ciclos 760 450 441 380 306 144
MSE 3,7e-9 3,4e-9 3,6e-9 3,6e9 3,3e9 2,9e-9

A topologia adotada como a mais adequada à generalização da

pseudodistância foi uma rede com uma camada intermediária de 30 neurônios. A
topologia com 100 neurônios tem um ganho muito pequeno em termos de
diminuição do erro.

6.2 O tempo de observação

Na seqüência apresentam-se de forma bastante resumida os resultados

obtidos na árvore de testes realizada para avaliar a relação entre o tempo de
observação GPS e a capacidade de generalização da rede neural. Entenda-se
como tempo de observação o período em horas para o qual se deseja gerar
estimativas.

O programa MORE-GPS foi desenvolvido com a expectativa de se poder

optar pela extração de dados desde um dia completo de observação, ou de vários
dias se assim desejar o usuário, até alguns poucos segundos. Possibilita também
que esse período seja diferente para os arquivos que serão utilizados para
treinamento da rede neural e para o arquivo que se deseja estimar as
observáveis.

Existe um inconveniente em relação ao aumento do período de observação

GPS. São extraídos dados e informações a cada 15 segundos de todos os arquivos
da RBMC que foram observados simultaneamente àquele que se deseja estimar.
 71

Isso provoca um aumento excessivo de dados, com os quais a rede diminui a sua
capacidade de generalizar.

Não se deve esquecer que apesar de não aparecerem de forma explícita na

modelagem, a composição de todos os erros inerentes à propagação do sinal GPS
desde a sua saída do satélite até ser captado pela antena do receptor, deve
aparecer como resultado final nas observáveis.

Quanto maior for a taxa de coleta desses dados, provavelmente maiores

serão as diferenças entre os erros em épocas consecutivas, fruto da mudança da
constelação e da posição relativa de cada um dos satélites em relação à estação
em questão.

Pode-se estimar a quantidade de dados da seguinte forma:

D  E.S.O.ET (15)

Onde:

 D é a quantidade de dados gerados no arquivo de treinamento, com a

grande maioria das variáveis calculadas com precisão double e
escritas no formato long;
 E é a quantidade de épocas relativa a um dia inteiro de observação a
cada 15 segundos;
 S é o número de satélites observados em cada época;
 O é a quantidade de observáveis GPS no arquivo de treinamento;
 ET é a quantidade de estações RBMC operando simultaneamente.

Tomando como exemplo o dia completo 05/12/2001, referente ao dia GPS

339, no qual havia 14 estações RBMC observando simultaneamente, pode-se
chegar a uma quantidade de 3.870.720 dados. Isso apenas para um dia de
observação, provoca a geração de grandes arquivos, que ocupam mais de 50Mb
de memória e de dificíl manipulação. O tempo de processamento também
aumenta consideravelmente, chegando a algumas horas apenas para a geração
dos arquivos de treinamento.

Um exemplo de um aquivo como o descrito acima pode ser:

 72

((24h * 240 épocas ) *12 satélites * 4 observáveis *14 estações )  3870720 dados

Ainda assim, realizaram-se tentativas com diversos períodos de um dia e

chegou-se a conclusão de que não há nenhum sentido em estender-se o período
de estimativas pelo simples fato de que a capacidade de generalização da rede é
inversamente proporcional ao tamanho da janela de observação. Isto ocorre
provavelmente porque à medida que aumenta o tempo de observação, os erros
inerentes ao processo de propagação do sinal se modificam, fazendo com que a
rede aprenda e desaprenda de forma continuada.

Diante disso, buscou-se diminuir o quanto possível o tamanho da janela

de observação e após refinamentos consecutivos determinou-se que a janela de
observação máxima para que se obtenham estimativas compatíveis com a
precisão das observáveis GPS é da ordem de alguns minutos.

A adoção do intervalo de cinco minutos como o padrão para montagem

dos arquivos de treinamento e teste gerou um outro problema. SEGANTINE
(1999), afirma que para se obter um resultado que satisfaça critérios
previamente estabelecidos, deve-se estar atento ao tempo de observação, pois ele
é função de alguns fatores tais como: comprimento da linha base para
posicionamento relativo, número de satélites observados, geometria dos satélites
(GDOP) e condições atmosféricas, principalmente da ionosfera.

Mesmo que se considerem todos estes fatores, que interferem no processo

de medição com o GPS, é muito difícil, senão impossível estabelecer um tempo de
observação padrão que garanta o sucesso da operação. Normalmente adota-se
como conduta para o método de posicionamento estático um período de
observação entre uma e duas horas com taxa de coleta da ordem de 15 segundos.

A árvore de testes possibilitou que fossem testados diferentes

agrupamentos temporais dos dados, mas percebeu-se que ao agrupar em um
mesmo conjunto de treinamento, dados coletados por um período de cerca de
uma hora, a capacidade de generalização da rede neural diminuía bruscamente.
O período ótimo para uma boa capacidade de generalização ficou entre 5 e 10
minutos.
 73

Assim sendo, para que se gere um arquivo de uma hora de observação

com estimativas neurais, devem-se subdividir os arquivos em períodos de cinco
minutos e gerar conjuntos de arquivos (treinamento e teste), tanto para a fase
quanto para a pseudodistância. Este procedimento resulta na geração de 48
arquivos diferentes, sendo 24 para treinamento e teste da fase e 24 para
treinamento e teste da pseudodistância e o dobro disso caso o período necessário
para o processamento GPS seja de duas horas.

Apesar disto, o programa extrai informações e gera automaticamnte

arquivos para treinamento e teste para quaisquer períodos escolhidos pelo
usuário, até mesmo se o usuário escolher diferentes intervalos para treinamento
e teste.

As Figuras 18 e 20 indicam a diferença dos erros mínimos alcançado por

dois conjuntos de treinamento com tempos de observação diferentes,
respectivamente cinco minutos e duas horas. A linha horizontal presente na
Figura 20 indica um critério de parada adotado pelo usuário, ou seja, quando
deve parar o processo de treinamento da rede.

Figura 20 – Desempenho alcançado pela estimativas de duas horas de

observação
 74

Adicionalmente, pode-se ressaltar que os tempos consumidos para

convergência a estes resultados também guardam uma significativa diferença: 2
minutos para o processamento do arquivo com 5 minutos de observação e 18
minutos para o processamento do arquivo de 2 horas de observação, incluindo
todas as estações RBMC disponíveis. Além, é claro, das diferenças nos erros
mínimos alcançados que é de 3,7e 12 para o arquivo de 5 minutos de observação

e de 1,57e 9 para o arquivo com duas horas de observação.

6.3 Características do agrupamento das estações RBMC mais

adequado ao modelamento neural dos dados

Depois de definidas topologia e período de observação, pôde-se analisar se

a cada estimativa deveriam ser usados dados de todas as estações RBMC ou se
ao se agrupar regionalmente parte das estações e usá-las no treinamento se
conseguiria reduzir o MSE e com isso aumentar a precisão das estimativas.

Neste sentido houve a necessidade agrupar as estações e adotou-se então,

o agrupamento das estações não de acordo com a divisão político geográfica do
Brasil, mas denominou-se de região a área de abrangência das quatro estações
RBMC mais próximas do ponto a ser estimado.

Através de uma análise rápida da Figura 9, pode-se perceber os imensos

vazios na Amazônia, o que atualmente inviabiliza a aplicação do método
proposto nesta região. Escolheu-se como área teste a região mais ao centro-sul
Brasil, com cinco estações da RBMC (BRAZ, BOMJ, CUIB, UEPP e VICO) como
mostrado na Figura 21.
 75

Figura 21 – Agrupamento regional das estações RBMC

As estações BOMJ, CUIB, UEPP e VICO formaram o conjunto de

treinamento e a estação BRAZ foi utilizada para geração das estimativas. Na
verdade o MSE para o conjunto de treinamento, apresentado na Figura 22,
mesmo para uma quantidade de ciclos de treinamento maior, está próximo
daquele obtido para as estimativas geradas com todas as estações RBMC.
entretanto o MSE para o conjunto de teste é maior, da ordem de 10 9 , o que
certamente provoca uma diminuição na precisão final das estimativas. Parece
que a contribuição das outras estações, ainda que distantes geograficamente da
estação em questão, podem contribuir para que a rede consiga uma
generalização mais ampla.
 76

Figura 22 – Desempenho do treinamento para 5 minutos com

agrupamento regional de estações RBMC

A partir desta constatação, optou-se pela utilização de todas as estações

que coletaram dados simultaneamente àquela que se deseja estimar.

6.4 Testes do método para diferentes conjuntos de dados

Com o objetivo de comprovar a independência do método proposto dos

dados com os quais ele foi desenvolvido, lançou-se mão de outros conjuntos de
dados observados com outros conjuntos de estações, em outros meses e anos.

Utilizaram-se outros três conjuntos de dados nos dia 17/05/2000,

29/01/2002 e 08/03/2002, cujos resultados para o treinamento se encontram
representados pelas Figuras 23, 24 e 25 respectivamente. As estações RBMC em
operação em cada um destes dias são:

 Dia 17/05/2000: 13 estações (BOMJ, BRAZ, CRAT, CUIB, IMPZ,

MANA, PARA, POAL, RECF, RIOD, SALV, UEPP e VICO);
 77

 Dia 29/05/2002: 12 estações (BRAZ, CRAT, CUIB, IMPZ, PARA,

POAL, RECF, RIOD, SALV, SMAR, UEPP, VICO);
 DIA 08/03/2002: 12 estações (BRAZ, CRAT, CUIB, IMPZ, PARA,
POAL, RECF, RIOD, SALV, SMAR, UEPP, VICO).

Figura 23 – Desempenho do treinamento para 5 minutos no dia

17/05/2000 (Dia GPS 138)
 78

Figura 24 – Desempenho do treinamento para 5 minutos no dia

29/01/2002 (Dia GPS 29)

Figura 25 – Desempenho do treinamento para 5 minutos no dia

08/03/2002 (Dia GPS 67)
 79

Em todos os conjuntos de dados testados não ocorreram variações

significativas no comportamento da rede neural em relação à magnitude dos
erros e estimativas geradas. O que comprova que o método é eficaz,
independente do conjunto de treinamento, qualquer que tenha sido o ano, mês
ou dia, desde que se tenham dados da RBMC ou alguma outra rede com as
mesmas características.

6.5 Validação do método

O desenvolvimento de uma nova técnica, de um novo método,

fundamentado em visões e abordagens inovadoras não pode prescindir de um
processo de validação que o qualifique como capaz de comprovar ou refutar as
hipóteses aventadas inicialmente, além é claro, de permitir que seja reproduzido
por outros pesquisadores.

Por não se esperar nenhuma leniência sobre as idéias aqui apresentadas,

realizou-se uma série de processamentos com os arquivos originais e com os
arquivos modificados pelas estimativas neurais. Apesar disso, sabe-se que ainda
existe um número considerável de testes que poderiam ter sido feitos, mas que
devido às limitações impostas pelo tempo e pela disponibilidade de dados, não
puderam ser realizados ainda.

O desenvolvimento do método e os resultados comparativos apresentados

até agora, por si só já comprovam uma das hipóteses iniciais, ou seja, realmente
é possível estimar o comportamento de observáveis GPS, ainda que por um curto
intervalo de tempo e principalmente, que redes neurais artificiais são uma
ferramenta eficaz na obtenção dessas estimativas.

Embora essa seja a tese a ser defendida, não se pode deixar de aplicar o
método para atender ao objetivo precípuo para o qual ele foi desenvolvido, ou
seja, a tentativa de melhorar a precisão posicional de uma determinada estação
observada por um receptor de uma freqüência.

Assim sendo, a seqüência de processamentos que se segue tem o estrito

objetivo de apresentar resultados em termos de coordenadas e precisão
 80

posicional para as diversas condutas preconizadas no item 5.2.1 e finalmente

tentar responder às seguintes perguntas:
 A aplicação deste método melhora a precisão final das
coordenadas de uma determinada estação cujos dados foram
coletados por receptor de uma freqüência?
 Caso melhore, sob que condições essa asserção é verdadeira e
em quanto melhora?

6.5.1 Dados para validação

Apesar do método ter sido desenvolvido visando sua aplicação em

arquivos gerados por receptores de uma freqüência, não haveria como fazer
testes que pudessem comprovar a aplicabilidade e eficácia do método se não
fossem feitas observações em pontos cujas coordenadas sejam bem conhecidas.
Além disso, havia ainda a necessidade de um comparativo entre os resultados,
caso a observação houvesse sido feita por um receptor de dupla freqüência e
código P.

Buscando-se aplicar o método a estações que possibilitassem o

processamento relativo com vetores de diferentes comprimentos de linhas base,
escolheu-se dados gerados por receptores de dupla freqüência e código P. Destes
arquivos, denominados de originais, foram excluídos os valores reais de
contagem de ciclos de L2 e pseudodistância P2. Aplicou-se a ele o método
descrito. Após gerarem-se as estimativas de L2 e P2, estas foram agregadas ao
arquivo, este agora denominado de RINEX modificado.

6.5.1.1 Processamento por ponto simples (single point)

O posicionamento por ponto simples é uma variação do posicionamento

absoluto, também chamado de posicionamento instantâneo. Até o dia 1° de maio
de 2000, quando o efeito SA, do inglês Selective Availability, ainda estava ativo,
fazendo com que a posição instantânea de um ponto, usando a pseudodistância a
partir do código C/A, possibilitasse uma precisão planimétrica por volta de 100
 81

m. A partir da desativação deste efeito a precisão posicional melhorou cerca de

10 vezes.

O posicionamento pontual refere-se ao posicionamento por ponto simples,

do inglês single point, também baseado na observável pseudodistância,
normalmente a partir do código C/A. Porém, nada impede que se utilize também
o código P, caso ele esteja presente no arquivo de observação. A peculiaridade do
chamado ponto simples e que o difere do posicionamento instantâneo, é o fato de
se fazer um ajustamento do posicionamento instantâneo para diversas épocas.

Processamento Pontual I:

 PERÍODO DE OBSERVAÇÃO: DOY 339/2001 (11:00:00 a 11:04:30);

 ESTAÇÃO VIÇOSA (VICO);
 POSICIONAMENTO PONTUAL (SINGLE POINT)-CÓDIGO C/A E
P2;
 MODELO TROPOSFÉRICO DE HOPFIELD SIMPLIFICADO;
 MODELO IONOSFÉRICO STANDARD DO SKI PRO);
 EFEMÉRIDES PRECISAS;
 ÂNGULO DE CORTE: 15°.

A Tabela 7 apresenta as coordenadas obtidas por processamento pontual

do código P2 dos arquivos modificado e original para a estação VICO, localizada
em Viçosa-MG, que compõe a RBMC e a Figura 26 apresenta os desvios obtidos
para o processamento pontual I. As coordenadas oficiais em WGS 84 da estação
VICO são:

 Latitude: -20° 45’ 41,41107”;

 Longitude: -42° 52’ 11,93817”;
 Altura Geométrica: 666,056m.
 82

Tabela 7 – Coordenadas e Desvios para o posicionamento pontual I

(WGS 84)

Estação Latitude Desvios em Desvio Desvio

Longitude relação as Plano Espacial
Alt. Geométrica coordenadas (m) (m)
oficiais (m)
VICOmodif P2 -20 45 41,22649 -5,5374 8,347 23,068
-42 52 11,72998 -6,2457
687,561 m 21,505
VICOoriginal P2 -20 45 41,18777 -6.699 8,684 32,382
-42 52 11,75400 -5.5251
31,196
697,252 m

Ponto simples: estação VICO

35
30
25
metros

20
15
10
5
0
desvio plano desvio espacial
Tipo de desvio P2modif
P2original

Figura 26 – Desvios para a estação VICO

Processamento Pontual II:

 PERÍODO DE OBSERVAÇÃO: DOY 067/2002 (11:00:00 a 11:04:30);

 ESTAÇÃO PRESIDENTE PRUDENTE (UEPP);
 POSICIONAMENTO PONTUAL (SINGLE POINT) - CÓDIGO C/A E
P2;
 MODELO TROPOSFÉRICO DE HOPFIELD SIMPLIFICADO;
 MODELO IONOSFÉRICO STANDARD DO SKI PRO;
 EFEMÉRIDES PRECISAS;
 ÂNGULO DE CORTE: 15°.
 83

A Tabela 8 apresenta as coordenadas obtidas por processamento pontual

do código P2 dos arquivos modificado e original para a estação UEPP, localizada
em Presidente Prudente-SP, que compõe a RBMC e a Figura 27 apresenta os
desvios obtidos para o processamento pontual I. As coordenadas oficiais em WGS
84 da estação UEPP são:

 Latitude: -22° 07’ 11,66678”;

 Longitude: -51° 24’ 30,69935”;
 Altura Geométrica: 431,039 m.

Tabela 8 – Coordenadas e Desvios para o posicionamento pontual

II(WGS 84)

Estação Latitude Desvios em Desvio Desvio

Longitude relação as Plano Espacial
Alt. Geométrica coordenadas (m) (m)
oficiais (m)
UEPPmodif P2 -22 07 11,49903 5,033 8,462 22,076
51 24 30,92609 6,802
20,389
451,428 m
UEPPoriginal P2 -22 07 11,49767 5,073 9,626 31,770
-51 24 30,97202 8,180
461,316 30,277

Ponto simples: estação UEPP

35
30
25
metros

20
15
10
5
0
desvio plano desvio espacial
Tipo de desvio P2modif
P2original

Figura 27 – Desvios para a estação UEPP

 84

Processamento Pontual III:

 PERÍODO DE OBSERVAÇÃO: DOY 038/2002 ( 11:00:00 a 11:04:30);

 ESTAÇÃO RIO DE JANEIRO ( RIOD);
 POSICIONAMENTO PONTUAL ( SINGLE POINT) - CÓDIGO C/A e
P2;
 MODELO TROPOSFÉRICO DE HOPFIELD SIMPLIFICADO;
 MODELO IONOSFÉRICO STANDARD DO SKI PRO;
 EFEMÉRIDES PRECISAS;
 ÂNGULO DE CORTE: 15°.

A Tabela 9 apresenta as coordenadas obtidas por processamento pontual

do código P2 dos arquivos modificado e original para a estação RIOD, localizada
em Rio de Janeiro-RJ, que compõe a RBMC e a Figura 28 apresenta os desvios
obtidos para o processamento pontual I. As coordenadas oficiais em WGS 84 da
estação RIOD são:

 Latitude: -22° 49’ 04,24906”;

 Longitude: -43° 18’ 22,57157”;
 Altura Geométrica: 8,745m.

Tabela 9 – Coordenadas e Desvio para o posicionamento pontual III

(WGS 84)

Estação Latitude Desvios em Desvio Desvio

Longitude relação às Plano Espacial
Alt. Geométrica coordenadas (m) (m)
oficiais (m)
RIODmodif P2 -22 49 04,17765 2,142 4,302 10,281
-43 18 22,69594 3,731
9,338
18,083 m
RIODoriginal P2 -22 49 04,17446 2,238 4,348 20,607
-43 18 22,69584 3,728
20,143
28,888
 85

Ponto simples: estação RIOD

25
20

metros
15
10
5
0
desvio plano desvio espacial
P2modif
Tipo de desvio P2original

Figura 28 – Desvios para a estação RIOD

6.5.1.2 Processamento relativo estático

“A observável normalmente utilizada para posicionamento relativo

estático é a fase da portadora. Neste tipo de posicionamento, dois ou mais
receptores, rastreiam simultaneamente, por um período não inferior a 20
minutos, podendo chegar a algumas horas”. (MONICO, 2000).

Segundo SEGANTINE (1995) o objetivo do posicionamento relativo é

determinar as coordenadas de um ponto cujas coordenadas são desconhecidas
em relação a outro cujas coordenadas se conhece, ou seja, um vetor entre estes
dois pontos. Este vetor é chamado de linha base ou simplesmente base.

Processamento I:

 PERÍODO DE OBSERVAÇÃO: DOY 339/2001 (11:00:00 a 11:04:30);

 PROCESSAMENTO RELATIVO PARA A ESTAÇÃO VICO;
 BOMJVICO (  832km ) BASE LONGA;
 BRAZVICO (  750km ) BASE LONGA;
 UEPPVICO (  897km ) BASE LONGA;
 RIODVICO (  232km ) BASE LONGA;
 MODELO TROPOSFÉRICO DE HOPFIELD SIMPLIFICADO;
 86

 MODELO IONOSFÉRICO STANDARD DO SKI PRO;

 EFEMÉRIDES PRECISAS;
 ÂNGULO DE CORTE: 15°.

A Figura 29 ilustra a posição das estações envolvidas no processamento I

(WGS 84).

Figura 29 – Estações para o processamento I

A Tabela 10 apresenta as coordenadas geodésicas oficiais em WGS 84

utilizadas como referência no processamento I. A Tabela 11 apresenta os desvios
plano e espacial obtidos no processamento I. As Figuras 30, 31, 32 e 33 ilustram
uma comparação gráfica entres os resultados obtidos para os processamentos
dos arquivos, originais e modificados por estimativas neurais, para as diferentes
linhas base do processamento I.
 87

Tabela 10 – Coordenadas oficiais das estações utilizadas no

processamento I (WGS 84)

Estação Latitude Longitude Altura Geométrica (m)

BOMJ -13 15 20,01971 -43 25 18,22372 419,474
BRAZ -15 56 50,92071 -47 52 40,30651 1105,950
UEPP -22 07 11,666 -51 24 30,699 431,039
RIOD -22 49 4,24906 -43 18 22,57157 8,745
VICO -20 45 41,41107 -42 52 11,93817 666,056

Tabela 11 – Coordenadas e Desvios do processamento I (WGS 84)

Linha base Latitude Desvios em Desvio Desvio

Longitude relação as Plano Espacial
Alt. Geométrica coordenadas (m) (m)
Vetor oficiais (m)
BOMJ-VICOmodif L3 -20 45 41,44857 1,1250 1,125 1,284
-42 52 11,93861 0,0168
666,675m 0,6192
832232,977m
BOMJ-VICO L1 -20 45 41,39830 0,3408 3,235 3,243
-42 52 11,82686 3,2175
665,641m 0,2275
832231,603m
BRAZ-VICOmodif L3 -20 45 41,42993 0,5660 0,986 1,052
-42 52 11,90530 0,9859
666,424m 0,3677
750555,987m
BRAZ-VICO L1 -20 45 41,38797 0,7700 1,086 2,867
-42 52 11,94492 0,5165
668,407m 2,6529
750554,384m
UEPP-VICOmodif L3 -20 45 41,39200 0,5720 1,941 1,990
-42 52 11,87634 1,8550
666,492m 0,4364
897012,819m
UEPP-VICO L1 -20 45 41,41962 0,1420 2,081 2,776
-42 52 11,99321 2,0765
667,413m 1,8375
897009,412m
 88

Tabela 11 – Coordenadas e Desvios do processamento I (WGS 84)

Linha base Latitude Desvios em Desvio Desvio

Longitude relação as Plano Espacial
Alt. Geométrica coordenadas (m) (m)
Vetor oficiais (m)
RIOD-VICOmodif L3 -20 45 41,39799 0,3923 0,422 0,708
-42 52 11,94340 0,1568
666,625m 0,5688
232120,982m
RIOD-VICO L1 -20 45 41,41117 0,0040 0,785 1,789
-42 52 11,95969 0,7847
664,705m 1,6074
232120,453m

Linha base: BONJ-VICO

3.5
3.0
2.5
metros

2.0
1.5
1.0
0.5
0.0
Desvio Plano Desvio Espacial
L3 modificada
Tipo de desvio
L1 original

Figura 30 – Desvios linha base BOMJ-VICO

Linha base: BRAZ-VICO

3.5
3
2.5
metros

2
1.5
1
0.5
0
Desvio Plano Desvio Espacial
Tipo de desvio L3 modificada
L1 original

Figura 31 – Desvios linha base BRAZ-VICO

 89

Linha base: UEPP-VICO

3
2.5
2

metros
1.5
1
0.5
0
Desvio Plano Desvio Espacial
Tipo de desvio L3 modificada
L1 original

Figura 32 – Desvios linha base UEPP-VICO

Linha base: RIOD-VICO

2

1.5
metros

0.5

0
Desvio Plano Desvio Espacial
Tipo de desvio L3 modificada
L1 original

Figura 33 – Desvios linha base RIOD-VICO

Processamento II:

 PERÍODO DE OBSERVAÇÃO: DOY 067/2002 (11:00:00 a 11:04:30);

 PROCESSAMENTO RELATIVO PARA A ESTAÇÃO UEPP;
 BRAZ UEPP ( 771km ) BASE LONGA;
 CUIB UEPP ( 876km ) BASE LONGA;
 PARA UEPP ( 430km ) BASE LONGA;
 VICO UEPP ( 897km ) BASE LONGA;
 RIOD UEPP ( 836km ) BASE LONGA;
 MODELO TROPOSFÉRICO DE HOPFIELD SIMPLIFICADO;
 MODELO IONOSFÉRICO STANDARD DO SKI PRO);
 90

 EFEMÉRIDES PRECISAS;
 ÂNGULO DE CORTE: 15°.

A Figura 34 ilustra a posição das estações envolvidas no processamento II

(WGS 84).

Figura 34 – Estações para o processamento II

A Tabela 12 apresenta as coordenadas geodésicas oficiais em WGS 84

utilizadas como referência no processamento III. A Tabela 13 apresenta os
desvios plano e espacial obtidos no processamento II. As Figuras 35, 36, 37, 38 e
39 ilustram uma comparação gráfica entres os resultados obtidos para os
processamentos dos arquivos, original e modificado por estimativas neurais,
para o processamento II.
 91

Tabela 12 - Coordenadas oficiais das estações utilizadas no

processamento II (WGS 84)

Estação Latitude Longitude Altura Geométrica (m)

BRAZ -15 56 50.92071 -47 52 40.30651 1105.950
CUIB -15 33 18,95744 -56 04 11,49752 237,358
RIOD -22 49 4,24906 -43 18 22,57157 8,745
VICO -20 45 41,41107 -42 52 11,93817 666,056
PARA -25 26 54,1362 -49 13 51,4115 925,705
UEPP -22 07 11,66680 -51 24 30,69935 431,039

Tabela 13 – Coordenadas e Desvios do processamento II (WGS 84)

Linha base Latitude Desvios em Desvio Desvio

Longitude relação as Plano Espacial
Alt. Geométrica coordenadas (m) (m)
Vetor oficiais (m)
BRAZ-UEPPmodif L3 -22 07 11.69429 0,8248 1,350 2,588
-51 24 30.73499 1,0692
430.164m 0,8743
777288.044m
BRAZ-UEPP L1 -22 07 11.64815 0,5630 9,141 9,215
-51 24 30.39423 9,1239
432.104m 1,1623
777282.176m
CUIB-UEPPmodif L3 -22 07 11.69376 0,8089 1,846 1,871
-51 24 30.64403 1,6596
431.342m 0,3034
876277.581m
CUIB-UEPP L1 -22 07 11.63207 1,0445 9,141 9,215
-51 24 30.67417 0,8229
429.325m 1,6266
876275.395m
RIOD-UEPPmodif L3 -22 07 11.66856 0,0529 1,995 2,099
-51 24 30.76582 1,9941
430.385m 0,6533
836773.461m
RIOD-UEPP L1 -22 07 11.63473 0,9532 11,807 11,886
-51 24 30.30827 11,7690
432.317m 1,3640
836760.719m
 92

Tabela 13 – Coordenadas e Desvios do processamento II (WGS 84)

Linha base Latitude Desvios em Desvio Desvio

Longitude relação as Plano Espacial
Alt. Geométrica coordenadas (m) (m)
Vetor oficiais (m)
VICO-UEPPmodif L3 -22 07 11.68471 0,5374 2,235 2,765
-51 24 30.77165 2,1690
429.409m 1,6291
897012.931m
VICO-UEPP L1 -22 07 11.64101 0,7299 14,776 14,817
-51 24 30.21353 14,7579
432.042m 1,1093
896997.128m
PARA-UEPPmodif L3 -22 07 11.64424 0,6767 0,722 0,723
-51 24 30.70619 0,2052
431.065m 0,027
430236.716m
PARA-UEPP L1 -22 07 11.65116 0,4970 8,095 8,095
-51 24 30.42791 8,0802
430.959m 0,0070
430232.469m

Linha base: BRAZ-UEPP

10.0000

8.0000

6.0000
metros

4.0000

2.0000

0.0000
Desvio plano Desvio espacial
Tipo de desvio L3 modificada
L1 original

Figura 35 – Desvios linha base BRAZ-UEPP

 93

Linha base:CUIB-UEPP
10.0000
8.0000
6.0000

metros 4.0000
2.0000
0.0000
Desvio plano Desvio espacial
Tipo de desvio
L3 modificada
L1 original

Figura 36 – Desvios linha base CUIB-UEPP

Linha base:RIOD-UEPP
14.0000
12.0000
10.0000
metros

8.0000
6.0000
4.0000
2.0000
0.0000
Desvio plano Desvio espacial
Tipo de desvio L3 modificada
L1 original

Figura 37 – Desvios linha base RIOD-UEPP

Linha base: VICO-UEPP

16.0000
14.0000
12.0000
10.0000
metros

8.0000
6.0000
4.0000
2.0000
0.0000
Desvio plano Desvio espacial
Tipo de desvio L3 modificada
L1 original

Figura 38 – Desvios linha base VICO-UEPP

 94

Linha base: PARA-UEPP

10.0000

8.0000
6.0000
metros 4.0000
2.0000

0.0000
Desvio plano Desvio espacial
Tipo de desvio L3 modificada
L1 original

Figura 39 – Desvios linha base PARA-UEPP

Processamento III:

 PERÍODO DE OBSERVAÇÃO: DOY 038/2002 (11:00:00 a 11:04:30);

 PROCESSAMENTO RELATIVO PARA A ESTAÇÃO RIOD;
 UEPPRIOD (  836km ) BASE LONGA;
 VICO RIOD (  232km ) BASE LONGA;
 PARA RIOD (  668km ) BASE LONGA;
 BRAZ RIOD (  899km ) BASE LONGA;
 +IMPZ RIOD (  1961km ) BASE LONGA;
 MODELO TROPOSFÉRICO DE HOPFIELD SIMPLIFICADO;
 MODELO IONOSFÉRICO STANDARD DO SKI PRO;
 EFEMÉRIDES PRECISAS;
 ÂNGULO DE CORTE: 15°.

A Figura 40 ilustra a posição das estações envolvidas no processamento

III.
 95

Figura 40 – Estações envolvidas no processamento III (WGS 84)

A Tabela 14 apresenta as coordenadas geodésicas oficiais em WGS 84

utilizadas como referência no processamento III. A Tabela 15 apresenta os
desvios plano e espacial obtidos no processamento III. As Figuras 41, 42, 43, 44 e
45 ilustram uma comparação gráfica entre os resultados obtidos para os
processamentos dos arquivos original e modificado por estimativas neurais, para
o processamento III.

Tabela 14 - Coordenadas oficiais das estações utilizadas no

processamento III (WGS 84)

Estação Latitude Longitude Altura Geométrica (m)

IMPZ -5 29 30,36821 -47 29 50,02206 105,024
BRAZ -15 56 50,92070 -47 52 40,30652 1105,950
VICO -20 45 41,41106 -42 52 11,93817 666,056
UEPP -22 07 11,66680 -51 24 30,69935 431,039
PARA -25 26 54,13616 -49 13 51,41145 925,705
RIOD -22 49 4,24905 -43 18 22,57156 8,745
 96

Tabela 15 – Coordenadas e Desvios do processamento III (WGS 84)

Linha base Latitude Desvios em Desvio Desvio

Longitude relação as Plano Espacial
Alt. Geométrica coordenadas
Vetor oficiais (m)
IMPZ-RIODmod L3 -22 49 04,41497 4,9773 6,200 6,223
-43 18 22,44830 3,6981
8,222m 0,5226
1961416,184m
IMPZ-RIOD L1 -22 49 04,12648 3,7293 6,758 9,895
-43 18 22,39136 5,6361
15,575m 7,2275
1961409,192m
BRAZ-RIODmod L3 -22 49 04,31417 1,9533 3,3787 3,5949
-43 18 22,47967 2,7569
7,5167m 1,2279
898583,004m
BRAZ-RIOD L1 -22 49 04,20820 1,2258 7,604 11,174
-43 18 22,32142 7,5045
16,933m 8,1879
898583,389m
VICO-RIODmod L3 -22 49 04,26456 0,4650 0,471 0,474
-43 18 22,57418 0,0780
8,694m 0,0500
232121,086m
VICO-RIOD L1 -22 49 04,26213 0,3735 3,240 3,260
-43 18 22,62223 3,2184
8,225m 0,3650
232121,274m
UEPP-RIODmod L3 -22 49 04,26503 0,4791 3,822 3,824
-43 18 22,44519 3,7914
8,881m 0,1360
836775,252m
UEPP-RIOD L1 -22 49 04,26601 0,4812 1,453 5,739
-43 18 22,52336 1,3707
14,184m 5,5523
836773,379m
PARA-RIODmod L3 -22 49 04,23825 0,3243 2,877 3,148
-43 18 22,47626 2,8590
10,023m 1,2780
668631,052m
PARA-RIOD L1 -22 49 04,28628 1,1289 3,354 4,988
-43 18 22,45644 3,1589
12,567m 3,613
668631,015m
 97

Linha base:IMPZ-RIOD
12.0000
10.0000
8.0000

metros
6.0000
4.0000
2.0000
0.0000
Desvio plano Desvio espacial
Tipo de desvio L3 modificada
L1 original

Figura 41 – Desvios da linha base IMPZ-RIOD

Linha base: BRAZ-RIOD

12.0000
10.0000
8.0000
metros

6.0000
4.0000
2.0000
0.0000
Desvio plano Desvio espacial
Tipo de desvio L3 modificada
L1 original

Figura 42 – Desvios da linha base BRAZ_RIOD

Linha base: VICO-RIOD

3.5000
3.0000
2.5000
metros

2.0000
1.5000
1.0000
0.5000
0.0000
Desvio plano Desvio espacial
Tipo de desvio L3 modificada
L1 original

Figura 43 – Desvios da linha base VICO-RIOD

 98

Linha base:UEPP-RIOD
7.0000
6.0000
5.0000

metros
4.0000
3.0000
2.0000
1.0000
0.0000
Desvio plano Desvio espacial
Tipo de desvio L3 modificada
L1 original

Figura 44 – Desvios da linha base UEPP-RIOD

Linha base: PARA-RIOD

6.0000
5.0000
4.0000
metros

3.0000
2.0000
1.0000
0.0000
Desvio plano Desvio espacial
Tipo de desvio
L3 modificada
L1 original

Figura 45 – Desvios da linha base PARA-RIOD

6.5.1.3 Processamento Posicionamento Pontual Preciso (PPP)

Faz parte dos objetivos desta investigação que após o desenvolvimento do

método de geração de estimas neurais para dados GPS, os arquivos modificados
pudessem ser processados através de diferentes condutas com o objetivo de
comparar os resultados para as coordenadas finais do arquivo original e do
arquivo modificado. Dentre estas condutas está o método de processamento PPP.

Ocorre que se tornou impossível o processamento PPP em função de

algumas das restrições impostas pelo método, o tempo mínimo de observação de
uma hora.
 99

O método de geração de estimativas neurais para dados GPS

desenvolvido nesta pesquisa obteve sucesso nas estimativas com uma precisão
adequada, ou seja, sem que as diferenças entre as estimativas e os valores
originais fossem grandes o suficiente para serem consideradas como perdas de
ciclos, apenas para curtos períodos de tempo de processamento, neste caso 5
minutos. Isso implica na geração de arquivos para intervalos de tempo muito
curtos, neste caso de cinco minutos.

Mesmo o programa MORE-GPS conseguindo gerar arquivos maiores,

fruto da união de diversos arquivos gerados com intervalos de tempo menores,
ainda permanece a passagem entre esses arquivos menores sendo reconhecida
pelos programas de processamento como perdas de ciclos, isso compromete os
resultados em termos de precisão de arquivos maiores.

Espera-se em trabalhos futuros conseguir a otimização do método na

tentativa de gerar arquivos que preencham as exigências de tempo de
observação do PPP, podendo assim, serem processados através desse método.

Assim sendo, apresentam-se na Tabela 16 as coordenadas geodésicas em

ITRF2000 dos pontos processados pelo PPP apenas para os arquivos originais.

Tabela 16 –Coordenadas geodésicas ITRF2000 das estações VICO,

UEPP e RIOD (PPP-ITRF 2000)

Estação Latitude Longitude Altura Geométrica (m)

VICO -20 45 41,401548 -42 52 11,962092 666,091
UEPP -22 07 11,656200 -51 24 30,722400 431,041
RIOD -22 49 04,239048 -43 18 22,596624 8,787

Mesmo que se consiga no futuro,gerar arquivos de estimativas maiores,

superando a restrição do PPP quanto ao tempo de observação, ainda restarão
limtações de formato. É importante ressaltar que apesar do RINEX ser um
formato cujas especificações são de domínio público e cujas características para a
versão atual, o RINEX versão 2.1, serem perfeitamente especificadas por
GURTNER (2002), não é uma tarefa muito simples a adequação do formato aos
 100

diversos programas existentes Essas dificuldades se dão principalmente nos

pequenos detalhes que foram incorporados à versão 2, desde o seu lançamento
em 1990.

Existem informações no cabeçalho que são consideradas pelo documento

que trata das especificações do formato como sendo opcionais, mas que são
esseciais para o processamento em alguns programas, tais como o OMNI e o
SKI.

Para se ter uma idéia mais geral deste problema, pode-se citar como
exemplo o programa SKI-PRO de fabricação Leica. A versão anterior o SKI 2.3,
lê e processa com eficiência o arquivo modificado gerado pelo programa MORE-
GPS, enquanto o SKI-PRO não o faz, pois apresenta um erro de leitura do
arquivo. Para ser processado pelo SKI-PRO o arquivo modificado teve de ser
carregado pelo SKI versão 2.3 e gravado com formato RINEX novamente e só
então pôde ser lido e processado pelo SKI-PRO.
 101

7
CONCLUSÕES E RECOMENDAÇÕES

7.1 Quanto à modelagem neural

Apesar de se ter feito todos os esforços no sentido de escolher as redes

com topologias que oferecessem um erro mínimo em um tempo de processamento
razoável, certamente não se esgotou a imensa combinação de possibilidades
entre topologia e parâmetros de treinamento. Assim, pode-se utilizar para a
modelagem de dados GPS as topologias apresentadas no capítulo 6, mas deve-se
considerar que a definição da topologia não é uma questão fechada.

Uma indicação para a realização de trabalhos futuros, pode ser a

utilização de um sistema que envolva RNAs, algoritmos genéticos e computação
distribuída para a otimização da topologia ótima, de acordo com o proposto por
LAFORGA & ROMERO (2002).

Um detalhe que corrobora esta afirmação advém do fato de que mesmo se

utilizando redes com topologias diferentes para a generalização das diferentes
observáveis L2 e P2, nem sempre se consegue resultados adequados com a
topologia indicada neste documento para a generalização da pseudodistância P2,
algumas vezes foi necessário dobrar o número de neurônios na camada
intermediária para que se obtivesse melhores resultados em termos de
generalização da rede. Isso não ocorreu com a observável fase, provavelmente
devido suas características de menor ruído e maior precisão.

Um outro fato que se percebeu em toda a árvore de testes que se

executou, mesmo entre aqueles que sequer estão documentados neste volume, é
a dependência direta entre o erro alcançado no treinamento e o desempenho da
 102

rede na generalização. Porém, não há um ganho significativo em termos de

precisão quando se utiliza uma quantidade de ciclos de treinamento muito
grande. Nesta investigação sempre se alcançou bons resultados com, no máximo,
5000 ciclos de treinamento.

O algoritmo backpropagation realmente atende às necessidades em

termos de capacidade de generalização e precisão nas estimativas geradas por
Redes Neurais Artificiais onde se utilize como acelerador de convergência, a
otimização numérica no ajuste da matriz de pesos da retropropagação. Com
freqüência o MSE do conjunto de teste e treinamento chega a 10 14 . O que é um
excelente valor para qualquer treinamento com RNAs.

Apesar de se ter obtido os melhores resultados com o algoritmo

backpropagation que executa o processo de treinamento da rede neural em modo
batch, adaptado por Levemberg-Marquard e implementado no MATLAB 6.1,
testou-se outras variações que também apresentaram resultados satisfatórios,
dentre elas pode-se destacar um outro algoritmo que também opera no modo
batch chamado de backpropagation BFG.

Para trabalhos futuros, em relação à modelagem neural de dados GPS,

sugere-se que se desenvolva uma árvore de testes ainda maior que aquela
executada aqui e que se utilizem outras abordagens, como a de utilizar RNAs e
algoritmos genéticos para cobrir um espaço maior das topologias possíveis no
sentido de indicar uma topologia ótima para esta generalização.

Ainda vislumbrando trabalhos futuros, sugere-se que se tente a

implementação destes algoritmos baseados em otimização numérica dentro do
sistema MORE-GPS, isto possibilitará a independência do método à utilização
do programa MATLAB.

7.2 Quanto ao sistema MORE-GPS

Ainda que a idéia inicial fosse factível, não havia como testar as hipóteses
aqui levantadas em função da absoluta inexistência de programas que
conseguissem extrair e manipular dados de arquivos GPS com esta finalidade.
 103

Os programas comerciais e a maioria dos programas ditos científicos, prestam-se

simplesmente ao processamento das observáveis com um menor ou maior grau
de interação entre o usuário e as diferentes estratégias de processamento.

O programa MORE-GPS foi desenvolvido inicialmente com a finalidade

de possibilitar esta extração e manipulação de dados referentes às diferentes
observáveis, as épocas nas quais foram observadas, os satélites a partir de onde
foram geradas, bem como suas efemérides e seus ângulos de elevação. Contudo,
ele foi se transformando em uma ferramenta fundamental sem a qual
possivelmente não se chegaria a nenhuma conclusão.

Apesar de ainda carecer de melhorias que consigam otimizá-lo, tornando-

o mais eficiente, completo e amigável, o sistema MORE-GPS é a compilação de
programas, implementados em Visual Basic 5.0, que possibilitará uma série de
diferentes investigações a partir da extração e manipulação de dados GPS.

7.2.1 Limitações do método proposto

Devido à abordagem que se deu para a solução do problema levantado, ou

seja, a conduta que se utilizou na modelagem de observáveis GPS, algumas
restrições ao uso do método aqui preconizado se fazem necessárias:

 Necessariamente há de se ter dados da maior quantidade possível de

estações que observem simultaneamente aquele que se deseja
estimar. Obviamente, dados coletados no mesmo dia e período no qual
se rastreou;
 Necessidade das efemérides precisas para a data da observação.
Sugere-se que em investigações posteriores se possibilite o uso das
efemérides transmitidas, do inglês broadcast, como mais uma
alternativa, no atual formato isto não é possível;
 É um método de pós-processamento, o que inviabiliza aplicações em
tempo real;
 Atualmente, para vetores superiores a 230 km, pelo menos para
aqueles processados nesta pesquisa, o método, não atende às
 104

exigências de precisão posicional de 0,50 m, normatizado pelo INCRA,

que estabele as exigências e restrições para a obtenção do certificado
de cadastro de imóvel rural;
 Não consegue detectar os dados gerados por receptores cujos relógios
se encontram muito defasados em relação aos outros, ou seja, é
possível que se tenha que realizar um pré-processamento em arquivos
com essas características, visando uniformizar a parte inteira dos
segundos na contagem de épocas. Essa uniformização acarretará na
apresentação na correção das pseudodistâncias, deixando-as com
valores mais coerentes que aqueles apresentados em arquivos com a
defasagem citada.

7.3 Quanto ao processamento GPS

Não se conseguiu obter resultados satisfatórios para o período de

transição diurno/noturno, mais especificamente entre 18:00:00 h e 19:00:00 h,
horário local, para algumas estações observadas. Sugere-se que se desenvolva
uma investigação mais profunda no sentido de determinar se esse é um fato
isolado e se ocorre sistematicamente ou não em todo a área de cobertura da
RBMC em diferentes épocas, ou seja, que se façam testes para dados obtido em
anos com atividade solar mais baixa que a experimentada no atual ciclo solar.
Ainda assim, de um modo geral, o método se mostrou eficaz na geração de
observáveis GPS (L2 e P2).

7.3.1 O processamento pontual

O método desenvolvido, além de gerar estimativas de L2, gera também,

estimativas para a pseudodistância P2, vislumbra-se ainda a possibilidade de
melhora nestas estimativas, função de um refinamento maior na determinação
da topologia neural ideal, da aplicação de transformações estatísticas mais
adequadas aos dados de forma a se obter um fator de normalização menor, o que
certamente degrada menos os resultados das estimativas finais.
 105

Para se ter uma idéia da ordem de grandeza das estimativas atuais, o

erro médio das estimativas comparado ao valor original das pseudodistências,
obtidas no arquivo original para cada satélite/época está em torno de 5 metros.

Os resultados obtidos e apresentados no capítulo 6 para processamento

pontual, demonstram claramente que mesmo para curtos períodos de
observação, neste caso cinco minutos, se conseguem resultados para as
coordenadas, muito próximos aqueles conseguidos pelo processamento do
arquivo original.

O processamento pontual realizado com os dados de pseudodistância

calculadas a partir do código P2 estimado pelo método proposto, conseguiu, com
freqüência para o conjunto de dados testado, um desvio plano e espacial menor
que aqueles observados pelo processamento pontual do código P2 do arquivo
original. O que demonstra a excelente capacidade de generalização da rede
neural para estes dados e os qualifica para as mais diferente aplicações onde se
necessite da pseudodistância a partir do código P2.

Uma outra característica observada no processamento single point dos

dados estimados refere-se à constatação que apesar de possuir um desvio
espacial muito grande em relação às coordenadas oficiais das estações
observadas, o seu desvio plano é menor que aqueles apresentados para o
processamento da fase L1 para bases muito longas.

7.3.2 O processamento relativo

Como já foi dito antes, não se deseja fazer nenhuma comparação entre o
desempenho e as possibilidades oferecidas por diferentes programas de
processamento GPS. Por este motivo, utilizou-se apenas alguns dos programas
disponíveis no Departamento de Transportes-EESC/USP.

Para se ter uma idéia da ordem de grandeza das estimativas atuais, o

erro médio das estimativas de contagem de ciclos da portadora L2, comparado ao
valor original, obtido no arquivo original para cada satélite/época está em torno
de 0,082 ciclos da portadora L2, ou seja, 2 cm. Os resultados apresentados no
 106

Capítulo 6 indicam a influência desse erro nas coordenadas finais das estações
estimadas para diferentes tipos de processamento.

Os resultados obtidos com os dados disponíveis possibilitam dizer que o

método proposto tem uma maior ou menor eficiência dependendo de diversos
fatores, dentre os quais pode-se destacar:

 O período de observação (tempo durante o qual se observou);

 Conduta de processamento GPS adotada (no caso da combinação
L1+L2 (ion free) adoção da solução fix ou float para ambiguidades);
 Do comprimento da linha-base e;
 Da capacidade de generalização da rede neural para os arquivos de
treinamento, ou seja, é possível que a contribuição de arquivos com
muitos ruídos, fruto de multicaminhamento ou erros na propagação
do sinal, caracterizados por excessiva perda de ciclo possam
contribuir para um treinamneto deficiente da rede neural.

Nos testes realizados percebe-se claramente a melhora da precisão nos

resultados da coordenadas obtidas para vetores de bases longas quando se usa a
combinação ion free do arquivo modificado em comparação ao processamento
apenas de L1 do arquivo original, essa melhora é maior ou menor dependendo do
comprimento da linha base. Para os dados processados pode-se afirmar que
vetores cujos comprimentos estão na casa dos 230km, os resultados tanto do
desvio plano quanto espacial apresentam excelentes resultados, principalmente
se considerando o pequeno intervalo de tempo observado (cinco minutos) e
também o fato desses resultados serem baseados em estimativas e não em
valores observados.

Sugere-se que se desenvolvam mais testes com dados que possibilitem

gerar vetores com diferentes comprimentos de linha base no sentido de aferir a
capacidade de gerar estimativas adequadas do método proposto para vetores de
diferentes comprimentos e com períodos de observação homogêneos.

Propõe-se ainda que em trabalhos futuros se utilizem diferentes

programas de processamento GPS, notadamente aqueles denominados de
 107

científicos, tal como o OMNI, que segundo MADER (1998) é um pacote

computacional de processamento de dados GPS, composto por mais de 50
programas, desenvolvidos pelo National Geodetic Survey (NGS). Sugere-se
também a aplicação do programa PAGE-NT, disponibilizado pelo NGS. A
vantagem com o uso desse programa, dá-se pelo fato dele operar em ambiente
Windows 98 ou superior.

Os programas científicos possibilitam uma intervenção maior do usuário

no processamento de dados GPS, o que possibilita que sejam feitas comparações
mais detalhadas e se obtenham resultados baseados em soluções e parâmetros
escolhidos pelo usuário e não adotados como padrão do programa.

Finalmente, conclui-se que é possível modelar o comportamento das

observáveis GPS utilizando RNAs como ferramenta de modelagem a partir do
algoritmo de treinamento backpropagation, principalmente quando se utiliza o
processo de aprendizado supervisionado.

Um efeito positivo, mas não previsto inicialmente, observado quando da

aplicação do método proposto, é a “eliminação” de perdas de ciclos para a fase
L2. Como se utilizou dados oriundos de arquivos de dupla freqüência, pode-se
comparar o arquivo original com o arquivo modificado e em alguns casos, havia
perdas de ciclos no arquivo original e que não existiam no arquivo modificado,
função de terem sido geradas estimativas para todas as épocas.

Como recomendação final, sugere-se que em trabalhos futuros, se utilize o

método proposto nesta investigação, repitam-se os experimentos documentados
aqui, processem-se os arquivos modificados por estimativas neurais utilizando
diferentes programas de processamento de dados GPS, adotando um leque maior
de condutas e estratégias de processamento com o intuito de avaliar a eficácia e
os limites de aplicação deste método.

Vislumbro ainda uma outra aplicação potencial deste método, que seria a
utilização dos arquivos modificados para a geração de modelos regionais
dedicados à correção do atraso ionosférico.
 108

8
Referências Bibliográficas

BACA, J.F.M. (2001). Redes Neurais Artificiais (RNA) Aplicadas na Modelagem

Numérica do Terreno. XX Congresso Brasileiro de Cartografia, IX
Congresso Nacional de Engenharia de Agrimensura, VIII Conferência Ibero-
Americana de SIG, III Seminário Latino-Americano em Educação e
Transferência de Tecnologia em Fotogrametria, SR e SIE. Porto Alegre.

BOON, W.; SEGANTINE, P.C.L. (1999). Testing JPL’s PPP Service. GPS
Solutions, pp 73-76, Vol.3, no. 1.

BRAGA, A. P.; CARVALHO, A. P. L. F.; LUDERMIR, T. B. (2000), Redes

Neurais Artificiais: Teoria e Aplicações. Livro Técnico e Científico, Rio de
Janeiro.

CAMARGO, P. O. (1999). Modelo Regional da Ionosfera para Uso em

Posicionamento com recpetores GPS de uma Freqüência. Tese –
Universidade Federal do Paraná.

CASTRO, C.M. (1977). A prática da pesquisa. Ed. McGraw-Hill. São Paulo.

CYBENKO, G. (1988). Approximation by superpositions of a sigmoidal function.

Urbana, IL: University of Illinois.

DEMUTH H.; BEALE M. (1997). Neural Network Toolbox For Use with
MATLAB. User’s Guide,Version 3.0. MathWorks.
 109

DENNIS, J. E.; SCHNABEL, R. B. (1983), Numerical Methods for

Unconstrained Optimization and Nonlinear Equations, Englewood Cliffs,
NJ: Prentice-Hall.

FAZAN. J.A. (2002). Controle de Qualidade dos dados GPS da RBMC. Relatório
Científico de Bolsa de Pesquisa de Iniciação Científica – FAPESP.
Presidente Prudente, julho 2002.

FLETCHER, R.; POWELL, M.J.D. (1963). A rapidly convergent descent method

for minimization, Computer Journal, 7:149-154.

FONSECA JUNIOR, E. S. (2002). O Sistema GPS como Ferramenta a Avaliação

da Refração Ionosférica no Brasil. Tese – Escola Politécnica da Universidade
de São Paulo.

FONTANA, R.D.; CHEUNG, W.,STANSELL, T. (2001). The Modernized L2 Civil

Signal. GPS World. September.

GOLDFARB, D., 1970. A family of variable metric methods derived by

variational means, Mathematics of Computation, 24:23-26.

GREGORIUS, T. (1996). Gipsy-Oasis II, How it works. Department of Geomatics,

University of Newcastle.

GURTNER W. (2002). RINEX: The Receiver Independent Exchange Format

Version 2.10. Astronomical Institute, University of Berne.

HAGAN, M. T.; MENHAJ, M. (1994). Training feedforward networks with the

Marquardt algorithm. IEEE Transactions on Neural Networks, vol. 5, no. 6,
pp.989–993.

HAYKIN, S. (1999). Neural networks – A Comprehensive Foundation, second

edition. Prentice Hall. New Jersey.

HEBB, D. O. (1949). The Organization of Beharvior. Wiley.

HECHT-NIELSEN, ROBERT. (1889). Neurocomputing. Addison-Wesley

Longman Publishing Co. Inc. Boston.
 110

HERNÁNDEZ-PAJARES M. et al. (1997). Neural Network Modeling of

Ionospheric Electon Content at Global Scale using GPS data. Radio Science,
v.32, n 3, p.1081-1089, june.

HERTZ, J.; KROGH, A.; PLAMER, R.G. (1991). Introdution to the Theory of
Neural Computation. Lecture Notes, Vol I, Santa Fe Institute Studies in the
Sciences of Complexity. Addison-Wesley.

HOFFMANN-WELLENHOF, B. et. al. (2001). Global Positioning System:

Theory and Practice. Springer-Verlag Wien New York.

HOPFIELD, J. J. (1982). Neural Networks and physical systems with emergent

collective propperties. Proc. Nat. Acad. Sci., 79:2554-8.

JUDGE G. G. et. al. (1980). The Theory and Practice of Econometrics. John
Wiley & sons.

KAPLAN, E.D.; WARD, P. (1996). GPS Satellite Signal Characterístics.

Understanding GPS Principles and Applications. Artech House. Norwood.

KOVÁCS, Z. L. (1996). Redes Neurais Artificiais: Fundamentos e Aplicações, 2ª

Ed. Collegiun Cognitio e Ed. Acadêmica. São Paulo.

KOVÁCS, Z. L. (1997). O Cérebro e a sua Mente: Uma Introdução à

Neurociência Computacional. Ed. Acadêmica. São Paulo.

LAFORGA,G., ROMERO, R., (2002). A Service-Oriented Architecture applied to

Artificial Neural Network. Proc. ICONIP’2002, volume 5, pp. 2650-2654,
Singapure.

LEANDRO, R.F. (2003). A influência da ionosfera no posicionamento GPS por

ponto simples. 79 p. Dissertação – Escola de Engenharia de São Carlos da
Universidade de São Paulo.

LEICK, A.(1995). GPS Satellite Surveying. John Wiley & Sons, Inc. A Wiley-
Interscience Publication. New York.
 111

LIPPMANN, R.P. (1987). An introduction to computing with neural nets. IEEE

ASSP Magazine, vol.4, pp 4-22.

LORA,F.A.S.; HEMERLY,E.M. e LAGES,W.F. (1998) Sistema para Navegação e

Guiagem de Robôs Móveis Autônomos, Controle & Automação, Vol. 9, No. 3,
pp. 107-118.

LUO, F.; UNBEHAUEN R. (1998). Applied Neural Networks for Signal

Processing. Cambridge University Press.

MACCULLOCH, W.S.; PITTS, W. (1943). A logical calculus of the ideas

immanent in nervous activity, Bulletin of Mathematical Biophysics, vol 5,
pp.115-133.

MADER, G. et. al. (1998). OMNI 4.0 – UPDATE OF USER’S GUIDE- NEW
MERGE. Rockville, Maryland.

MAIA, T.C.;SILVA, C.A.U.;ROMERO, R. A. F.; LEANDRO, R. F.;SEGANTINE,

P. C. L. (2002). A Predição da Contagem de Ciclos da Portadora GPS
Utilizando Modelagem Conexionista Temporal – FIR ML. VII BRAZILIAN
SYMPOSIUM ON NEURAL NETWORKS.

MASTERS, T. (1994). Signal and Image Processing with Neural Networks –

AC++ Sourcebook. John Wiley & Sons, Inc, New York.

MINSKY, M.; PAPERT, S. (1969). Perceptrons: na introduction to

computational geometry. MIT Press, Massachusetts.

MOLLER, M. F. (1993), A scaled conjugate gradient algorithm for fast

supervised learning. Neural Networks, vol. 6, pp. 525-533.

MONICO, J.F.G. (2000). Posicionamento pelo NAVSTAR-GPS – Descrição,

fundamentos e aplicações. Editora UNESP. São Paulo.

MONICO, J.F.G. (2001). O Posicionamento Pontual Preciso – Descrição,

Resultados e Aplicações. Congresso Brasileiro de Cartografia, XX. CT2,
Anais. Porto Alegre.
 112

PANDEY, P. et al. (2001) Alternate Neural Network Tools for Pattern

Classification in Satellite Imageries. National Environmental Engineering
Research Institute, Nehru Marg Nagpur India.
http://www.gisdevelopment.net/technology/ip/techip0001.htm. 15/05/2002.

PARKINSON, B. W. (1996). Global Positioning System: Theory and

Applications, V. I, V. II. American Institute of Aeronautics an Astronautics,
Washington.

ROSENBLATT, F. (1958). The perceptron: A probabilistic model for information

storage and organization in the brain. Psychological Review, vol. 65, pp.386-
408.

RUMELHART, D.E. et. al. (1986). Learning representations by back-propagating

errors. Nature, 323:533-536.

SARLE, W.S. (1994). Neural Networks and Statistical Models. Proceedings of the
Nineteeth Annaul SAS User Group International Conference. Cary,NC,
USA.

SEEBER, G. (1993). Satellite Geodesy. Walter de Gruyter & Co. Berlim.

SEGANTINE, P.C.L. (1995). Estabelecimento e ajuste de uma rede geodésica no

estado de São Paulo, com o Sistema de Posicionamento NAVSTAR/GPS.
222p. Tese - Escola Politécnica da Universidade de São Paulo.

SEGANTINE, P.C.L. (1999). Sistema de Posicionamento Global. Apostila. São

Carlos, SP, publicação EESC-USP.

SHANNO, D.F., 1970. Conditioning of quasi-Newton methods for function

minimization, Mathematics of Computation, 24:145-160.

SILVA, C.A.U. (2000). Análise de Precisão dos Posicionamentos Relativo e por

Ponto Simples para Bases Curtas, com o Sistema NAVSTAR/GPS: Estudo
de Caso em Belém-Pa. 190 p. Dissertação – Escola de Engenharia de São
Carlos da Universidade de São Paulo.
 113

SILVA, C.A.U.; SEGANTINE, P.C.L. (2001). O Posicionamento Pontual Preciso

– PPP. : Congresso Brasileiro de Cartografia, XX. CT2, Anais. Porto Alegre.

STONE, M. (1974). Cross-validatory choice and assessment of statistical

predictions. Journal of the Royal Statistical Society, vol. B36, pp.111-113.

STONE, M. (1978). Cross-validation: A Review, Mathematische

Operationsforchung Statistischen, serie Statistics, vol. 9, pp.127-139.

TIERRA, A.R.; FREITAS, S.R.C (2000). Predicting Free-Air Gravity Anomaly

Using Artificial Neural Network.

WAN .E.A. (1994). Time Series Prediction by Using a Connectionist Network

with Internal Delay Lines. SFI Studies in the Sciences of Complexity. v
XVII, Addison-Wesley.

WEBB, F. H.; ZUMBERGE, J. F. (1997). An Introduction to GIPSY/OASIS-II –

Precision Software for the Analysis of data from the Global Posotioning
System. Jet Propulsion Laboratory. Pasadena.

WELLS, D. et al. (1987). Guide to GPS Positioning. Canadian GPS Associates.

Fredericton.

WIDROW, B.; HOFF. M.E. (1960). Adaptative swithing circuits. Institute of

Radio Engineers, Western Electronic Show and Convention.

ZUMBERGE, J.F. (1998). Characteristics and Applications of Precise GPS Clock

Solutions Every 30 Seconds. Navigation: Journal of the Institute of
Navigation. V 44, No 4, p 449-456.

ZUMBERGE, J.F. (1999). Automated GPS Data Analisys Service. GPS

Solutions, v 2, No 3, p 76-78.

ZUMBERGE, J.F. et al.(1997).Precise point positioning for the efficient and

robust analysis of GPS data from large networks. Journal Geophysical
Research.